Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Apuntes de Control Robusto y Multi Objetivos
Apuntes de Control Robusto y Multi Objetivos
de sistemas
Williams Colmenares M.
Universidad Simon Bolvar
Departamento de Procesos y Sistemas
Fernando Tadeo R.
Universidad de Valladolid
Departamento de Ingeniera de Sistemas y Automatica
A Teresa y Hugo
A Luisa Elena, Luis Carlos, Bruno, Daniel e Isabella
Indice general
I. An
alisis de sistemas con m
ultiples objetivos
I.1. Controladores multiobjetivo . . . . . . . . . . . . .
I.2. Sobre la norma de se
nales y sistemas . . . . . . . .
I.3. Evaluacion de las normas 2 e infinito de un sistema
I.4. Desigualdades matriciales lineales . . . . . . . . . .
I.5. Estabilidad robusta y desempe
no nominal . . . . .
II. An
alisis y sntesis de controladores para sistemas
II.1. Introduccion . . . . . . . . . . . . . . . . . . .
II.2. Especificaciones de funcionamiento . . . . . .
II.3. Analisis `1 . . . . . . . . . . . . . . . . . . . .
II.4. Estabilidad robusta . . . . . . . . . . . . . . .
II.5. Solucion mediante programacion lineal . . . .
II.6. Control de un reformador de hidrogeno . . . .
II.7. Metodo de calculo basado en LMIs . . . . . .
II.8. Resumen del captulo . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
2
6
8
12
con saturaciones
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
33
33
34
37
37
38
43
52
55
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
57
57
58
60
63
65
66
66
71
80
IV. Sintonizaci
on robusta de controladores industriales
IV.1. Introduccion . . . . . . . . . . . . . . . . . . . .
IV.2. Los algoritmos PID . . . . . . . . . . . . . . . .
IV.3. PID va LMIs iterativas . . . . . . . . . . . . .
IV.4. El algoritmo ILMI . . . . . . . . . . . . . . . .
IV.5. Comparacion de tecnicas de entonacion . . . .
IV.6. Enfoque frecuencial . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
91
91
92
92
93
95
97
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
A. Factorizaci
on coprima
103
A.1. Factorizacion coprima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
A.2. Parametrizacion de Youla . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
ii
Presentacion
Este libro trata sobre programacion convexa aplicada al control. En particular, de la programacion lineal y
la semidefinida. Recientes desarrollos han despertado mucho interes en este campo, y entre ellos mencionamos
los asociados con la teora de control robusto y los metodos numericos de puntos interiores. La primera permite
estudiar en un marco unificado la incertidumbre sobre el sistema y sobre las perturbaciones externas. Los segundos
permiten resolver de manera muy eficiente problemas convexos. Ademas, y esperamos convencer de ello al lector
que con paciencia avance por el libro, es muy grande el campo de las aplicaciones de la programacion convexa
en el control.
En estos apuntes nos concentramos en el dise
no de sistemas de control para sistemas lineales invariantes en el
tiempo, a los que imponemos m
ultiples objetivos en el desempe
no del lazo cerrado de control (e.g., estabilidad,
rapidez, atenuacion, sensibilidad). De particular interes son aquellos sistemas en los que la incertidumbre en el
modelo o las perturbaciones externas son de tal magnitud que deben tenerse en consideracion explcitamente.
As, en este trabajo analizamos sistemas con incertidumbre surgida de imperfecciones del modelo, tpicamente
representada por una funcion de transferencia que afecta globalmente al sistema en estudio. Ademas, analizamos
incertidumbre asociada con los parametros y de muy alta estructura. En cuanto a las perturbaciones, al contrario
del enfoque tradicional que presupone la forma y solo desconoce el momento en la que afectara al sistema,
u
nicamente asumiremos conocida alguna cota superior (e inferior si es el caso) de ella (e.g., energa, amplitud,
ruido blanco).
En el caso de sistemas inciertos, estudiamos sistemas con incertidumbre acotada en norma y con incertidumbre
poliedrica. Ambos tipos con implicaciones practicas importantes. El enfoque de partida es el cuadratico, esto es,
siempre buscamos una funcion de Lyapunov com
un a todos los modelos que pueda tener un sistema. Desde el
enfoque cuadratico, se derivan condiciones mucho menos conservadoras al encontrar ya no una sino diferentes
funciones de Lyapunov. Ambos enfoques se basan en una representacion del sistema en variables de estado. Esto
pone al alcance del dise
nador herramientas sumamente poderosas de analisis y sntesis de compensadores. Ventaja
adicional de este marco (variables de estado) es que no se hace ninguna distincion en el tratamiento de sistemas
MIMO o SISO.
En esa parte del trabajo (sistemas con incertidumbre) revisamos una serie de resultados de la ahora muy
conocida teora del control robusto y ponemos enfasis en un enfoque integrador de la misma. Uno de los aportes
de este trabajo es sin duda la solucion ofrecida al dise
no con objetivos m
ultiples cuando no todos los estados
estan disponibles y solamente una parte de ellos puede retroalimentarse, usandose para control. Todos nuestros
aportes estan basados en el dise
no de un controlador dinamico.
Tanto en el tratamiento de la incertidumbre como en el caso de las perturbaciones, el logro de los objetivos de
control se eval
ua a traves de la norma de una funcion de transferencia. Observe que hasta aca no hemos hecho
ninguna distincion entre sistemas continuos y discretos; la razon es que, en general, se desarrollaran resultados
para ambos tipos de sistemas con el enfoque propuesto (normas). Notable excepcion es la norma ` 1 cuyo ambito
basicamente son los sistemas discretos y a cuyo estudio dedicamos un captulo entero. A traves de esta norma,
se resuelve el problema de control robusto en el que la incertidumbre se describe en terminos de magnitud.
Las herramientas fundamentales de desarrollo son las desigualdades matriciales lineales, que se obtienen de
una aplicacion de la formula del complemento de Schur. Con ellas se puede formular una serie importante de
problemas como uno de programacion convexa. De esta manera, problemas del ambito de H , H2 , `1 , ubicacion
de polos en regiones, pasividad y otro buen n
umero, encuentran un marco com
un de planteamiento. De all que,
en ocasiones, hablemos de dise
no multiobjetivos de sistemas, ya que especificar condiciones de desempe
no del
tipo antes mencionado significa sumar (en realidad intersectar) colecciones de desigualdades matriciales lineales
en b
usqueda de un punto factible: el controlador.
Tambien importante, en este trabajo proponemos un par de enfoques para entonar controladores industriales
con estructura estandar, siempre en el ambito de la programacion convexa.
El objetivo del libro es poner al alcance del lector conocimiento y tecnicas de la programacion lineal y semidefinida que se aplican al analisis y dise
no de sistemas de control. Como la lista de aplicaciones es extensa, en muchos
casos hacemos demostracion rigurosa de algunos resultados y dejamos al lector el desarrollo de la extension a
otros casos; por ejemplo, se demuestra estabilidad y se deja para el lector las demostraciones de ubicacion de
polos, H2 , etc.
El libro esta originalmente pensado para cursos electivos de pre y postgrado en sistemas de control, especficamente sobre aplicaciones de la programacion convexa o de metodos numericos en control. Tambien puede usarse
en cursos basicos de sistemas de control, como complemento a las muy conocidas tecnicas analticas de dise
no de
controladores, en cursos de sistemas multivariables y de control robusto.
En el captulo I se sientan las bases teoricas que justifican los resultados presentados en los captulos subsiguientes. En el captulo II se presentan aplicaciones de la programacion lineal al calculo de controladores con
restricciones de saturacion, basadas en la norma `1 . En el captulo III se presentan algunas aplicaciones de la
programacion semidefinida al calculo de controladores H , H2 y ubicacion de polos. En el captulo IV se presentan algunas aplicaciones especficas al calculo de controladores tipo proporcional, integral y derivativo, ello por
lo extendido del uso de este tipo de controladores. Los captulos II, III y IV son independientes y, completado el
estudio del captulo I, el lector interesado puede ir directamente a cualquiera de ellos.
Este libro es fruto de la intensa cooperacion cientfica que hemos sostenido entre la Universidad Simon Bolvar
en Caracas, la Universidad de Valladolid en Valladolid y el Laboratoire dAnalyses et Architecture des System`es
(LAAS) en Toulouse. En particular, los autores desean expresar su agradecimiento a los colegas Ernesto Granado,
Omar Perez, Jacques Bernussou, Cesar de Prada, Francisco del Valle, Maite Ura y Rosalba Lamanna. A la jefa
de Produccion de la Editorial Equinoccio, Margarita Oviedo, por su desprendido apoyo y a Jose Manuel Guilarte
por su paciente correccion del estilo del libro. Igualmente, agradecemos a las instituciones que hicieron posible esa
cooperacion, a saber, los programas CYTED-RIII, PCP Automatique, PCP Optimizacion de Sistemas y FEDER.
A las instituciones CICYT y al FONACIT. Finalmente, agradecemos el financiamiento de la publicacion que
realiza el Ministerio de Educacion y Ciencia Espa
nol, a traves del proyecto CICYT DPI2004-07444-C04-02, y a
la Universidad Simon Bolvar, a traves de la Editorial Equinoccio y de la Direccion de Cultura.
Williams Colmenares, en Caracas, y Fernando Tadeo, en Valladolid
iv
CAPITULO
I.1.
Controladores multiobjetivo
El dise
no de estrategias de control que aseguren un n
umero de objetivos (especificaciones) en un lazo de control
ha sido objeto de intensa investigacion y estudio, pasando en los u
ltimos 50 a
nos de ser un campo intuitivo y
de sentido com
un (de ingenio) [Cor96], [AH95], a uno riguroso y formal en el que matematicos e ingenieros
encuentran tierra fertil.
Dentro de las disciplinas que conforman los sistemas de control, el estudio de los sistemas lineales invariantes en
el tiempo ha conocido enormes avances y cambios en los paradigmas de su estudio, en parte por su simplicidad y
propiedades que permiten la aplicacion de poderosas herramientas matematicas y en parte porque esos resultados
pueden ser aplicados a un importante n
umero de sistemas, incluyendo algunos muy complejos (e.g., multimodelos
[CGP98], no lineales [BA95], etc).
De esta manera, el dise
no de controladores para sistemas lineales ha evolucionado desde reglas muy simples de
sintonizacion [ZN42], ajustes de margen de fase y de ganancia [Kuo95], [PH96], dise
no basado en representaciones
de estado como ubicacion de polos [PH96], control optimo, [AM89], LQG/LTR [DS81], dise
no basado en el margen
del modulo (u operador diferencia de retorno) [DFT92], basado en los valores singulares y control robusto [San89],
[MZ89], [DGK89], llegando hasta los paradigmas basados en la manipulacion de normas (de se
nales o de sistemas)
y dentro de los que podemos mencionar H , H2 , L1 , `1 . Este enfoque se ve fortalecido con la posibilidad de
ubicar los modos de un sistema, no en puntos exactos del plano s, sino mas bien en regiones del mismo (tecnicas
denominadas de root clustering) y a lo que tambien denominaremos ubicacion de polos [CGP96].
Todo ello encuentra ademas un medio integrado de formulacion en las desigualdades matriciales lineales (LMIs)
[Boy94] que surgen de la formula del complemento de Schur, esto es, los problemas antes mencionados pueden
formularse como un conjunto de esas desigualdades (LMIs).
Si, como demostraremos, los controladores H2 aseguran un buen rechazo al ruido y los controladores H
funcionan bien, aun en presencia de incertidumbre asociada con dinamicas no modeladas y reflejadas sobre todo
en altas frecuencias o en presencia de perturbaciones no conocidas pero acotadas en energa, y si el agrupamiento
de polos permite especificar algunas caractersticas de la respuesta temporal del sistema, entonces entenderemos
como el dise
no de controladores multiobjetivos se refiere a una estrategia de control que permite, de manera
explcita, establecer todas (o algunas) de esas especificaciones antes mencionadas en el calculo del controlador. Observe que la lista de especificaciones no es agotadora y que, adicionalmente, pueden incluirse otras
especificaciones como cero error en estado estacionario (offset), estructura del controlador, etc., aunque ya no
como LMIs y de all que su inclusion conlleve un tratamiento especial en cada caso.
Adicionalmente, bajo el mismo enfoque puede considerarse incertidumbre parametrica en el modelo, esto es,
incertidumbre en bajas frecuencias normalmente asociada con variacion o desconocimiento en los parametros
del modelo.
En este texto nos proponemos presentar una vision integrada del dise
no de controladores multiobjetivo, con
particular enfasis en los casos en los que aparece incertidumbre parametrica en los sistemas. Aunque la aplicacion
a sistemas perfectamente conocidos tiene no poca importancia, la extension a ese tipo de sistemas ciertos, en
la mayora de los casos, es inmediata y hace del enfoque una herramienta aun mas poderosa para el dise
no de
controladores.
En este trabajo entenderemos como controlador multiobjetivos a aquel que satisface simultaneamente ciertos
criterios de desempe
no (performance/prestacion) medidos a traves de:
la norma H2
la norma H
la ubicacion de polos
la norma `1 .
Sin embargo, a
un no hemos definido formalmente tales elementos de medida, de all que este primer captulo
lo consagremos a sentar las bases de tal meta, es decir, las definiciones y demostraciones que luego seran usadas
en todo el resto del trabajo.
Cuando nos referimos a una representacion de estados, lo hacemos con respecto a un sistema como el descrito
en (I.1), basado en una representacion en variables de estado de un sistema (LTI), que en su forma generica es:
x(t)
(I.1)
donde x(t) IRn es el vector de estados, u(t) IRm es el vector de control, w(t) IRnw es el vector de
perturbaciones externas, y(t) IRp es el vector de salidas medibles y z(t) IRnz es el vector de salidas a
controlar. Las matrices A, B, B1 , C, C1 , D, D1 son matrices reales de dimensiones apropiadas que pueden o no ser
matrices constantes.
I.2.
Sobre la norma de se
nales y sistemas
Las normas son operaciones matematicas (funciones) realizadas sobre un operando (un vector, una matriz, una
se
nal, un sistema, etc.) que nos permiten compararla con sus similares (otro vector, matriz, etc.). En ese sentido,
son metricas (medidas) que dan informacion sobre el tama
no del elemento al cual se le aplica la norma.
De particular interes para este texto son las normas de se
nales y sistemas. Para facilitar la presentacion de las
normas que usaremos de se
nales y sistemas, comenzamos con las de vectores y matrices.
p = 1, 2,
i=1
kAk = max
i
y la norma espectral
n
X
j=1
|aij |
Normas de se
nales y sistemas
Sea Y (s) una funcion de C Cn y sea Ln2 el conjunto de todas las funciones de dimension n para las que la
siguiente cantidad es finita:
1/2
Z
1
4
kY (s)k2 =
Y (j)H Y (j)d
.
(I.2)
2
(I.2) define la norma-2 de la funcion Y (s). Para el caso en el que Y (s) no tenga polos en el semiplano derecho
(cerrado), el teorema de Parseval nos da el equivalente en el dominio del tiempo de esa norma.
Para ello, sea Y (s) la transformada de Laplace de y(t). Entonces se cumple que:
kY (s)k2 = ky(t)k2 =
y(t)T y(t)dt
0
1/2
En el caso de que el sistema Y (s) sea una matriz de sistemas (funciones) de dimensiones m n se tiene que:
4
kY (s)k2 =
1
2
T r Y (j)H Y (j) d
1/2
kY (s)k = sup
(Y (j))
(I.3)
donde
es el valor singular maximo, esto es:
(Y (j)) = max
i
i (Y (j)H Y (j)).
kG(s)k =
kG(s)k2 =
sup
ky(t)k2 .
(I.4)
ky(t)k .
(I.5)
ku(t)k2 1
sup
ku(t)k2 1
La demostracion de este teorema puede encontrarse en las referencias mencionadas en el enunciado y se basa en
el hecho de que el lado izquierdo de (I.4) y (I.5) en general sobreestima las normas ky(t)k 2 y ky(t)k , pero si no
hay restriccion en la se
nal de control u(t) salvo la de su cota en la norma 2, siempre puede construirse una se
nal
u(t) Lm
(de
hecho,
para
el
caso
de
la
norma
infinito,
escogiendo
u(t)
como
una
sinusoide
cuyo
espectro
sean
2
p
dos pulsos centrados en 0 y 0 , la frecuencia de la norma infinito, de ancho 2 y altura /2 y en el caso
de la norma 2, como g(t)/kGk2 ) tal que esa cota superior sea alcanzada.
Observaci
on I.1 Observe que (I.4) puede interpretarse como que la norma infinita y dos de la funci
on de
transferencia entre u(t) y y(t) en el sistema (I.1) da la m
axima amplificaci
on de la energa de la se
nal de
entrada u(t) medidas como energa y valor pico respectivamente.
Observaci
on I.2 En este libro nos concentraremos en las normas dos e infinito que son las de uso m
as com
un.
Ellas, sin embargo, son s
olo un subconjunto de restricciones que de forma generica se denominan Restricciones
Integrales Cuadr
aticas (ICQ por sus siglas en ingles) [Boy94]. Estas restricciones pueden igualmente ser descrita
como LMIs.
1
s+5
t0
1/2
1
1 10t
e
= 10 .
10
0
1
= 0,2.
2 + 52
1
G(s) = 2
s +9
s
5
y se desea dibujar la evolucion de sus valores singulares cuando toma valores en el intervalo [0, ). Igualmente,
se desean esos mismos valores para G11 (s) y G12 (s). Hay que determinar tambien el valor de la norma infinito.
Note que en el caso de las transferencias G11 (s) y G22 (s) la respuesta graficada es simplemente el diagrama de
Bode, siendo como son funciones de transferencia SISO.
Un programa en Matlab que calcula y grafica los valores singulares se lista a continuacion:
s=tf(s)
g11=s/(s^2+9)
g12=-5/(s^2+9)
G=[g11;g12]
sigma(G,k,g11,r,g12,b)
y la grafica de los valores singulares vs frecuencia se muestra en la figura (I.1).
Observe que en = 3 los valores singulares no estan definidos, i.e.,
kG(s)k = kG11 (s)k = kG12 (s)k = .
En realidad hemos abusado del lenguaje, porque para ese sistema la norma infinita no existe, siendo que no es
finita o, dicho de otra manera, la norma infinita no es de ninguna utilidad para este sistema.
Consideremos ahora sistemas discretos lineales invariantes en el tiempo y sea x(k) una funcion (secuencia) de
II IRn . La norma `p de x se define como [DD95]:
! p1
X
p
kxkp =
|x(k)|p )
k=0
si esa cantidad es finita. En la ecuacion anterior, | |p es la norma p del vector x(k) e II es el conjunto de los
n
umeros enteros. De particular interes son las normas donde p = 1, 2, y, en el caso de que p = , esa norma
se define como:
kxk = sup max |xi (k)|.
Finalmente, enunciamos sin demostracion el lema sobre la descomposicion en valores singulares tomado de
[GL95]:
60
40
G() y G ()
12
Valores singulares
20
G() y G ()
11
20
40
G11()
G12()
60
80
1
10
10
10
10
Frecuencia (rad/s)
Lema I.1 Para cualquier matriz compleja Q IRmp , existen matrices unitarias Y y U en m x y p p y una
matriz real tal que:
Q=Y
0
0 0
UH
(I.6)
I.3.
Evaluaci
on de las normas 2 e infinito de un sistema
= Ax(t) + Bu(t)
(I.7)
y(t) = Cx(t)
donde x(t) IRn es el vector de estados, u(t) IRm es el vector de entradas (control) y y(t) IRp es el vector de
salidas medibles del sistema. A, B, C son matrices constantes de dimensiones apropiadas.
Es facil demostrar que la funcion de transferencia del sistema [PH96] es:
G(s) =
Y (s)
= C(sI A)1 B.
U (s)
Los siguientes teoremas nos dan las herramienta de calculo de esas normas que buscamos.
(I.8)
Teorema I.2 ([ZK88]) Para el sistema (I.7), las siguientes proposiciones son equivalentes:
1.
2.
(I.9)
Demostraci
on: Una comprobacion muy sencilla de que (2) (1) esta inspirada en las propiedades del operador
diferencia de retorno (return difference operator) que se hace en [AM89] y es como sigue: cambiando el signo de
la desigualdad (I.9) y sumando y restando sP con s = j y la frecuencia en la que ocurre la norma infinito de
G, tenemos que:
(sI A)T P + P (sI A) 2 P BB T P C T C > 0,
(I.10)
multiplicando la derecha de (I.10) por (sI A)1 B y a la izquierda por su transpuesto complejo conjugado
(hermitiano) resulta en:
B T P (sI A)1 B + B T (sI AT )1 P B
2 B T (sI AT )1 P BB T P (sI A)1 B
(I.11)
B T (sI AT )1 C T C(sI A)1 B
a la derecha de la desigualdad (I.11) reconocemos kG(s)k2 y recordando que:
(I.12)
= 0
= 0.
(I.13)
Demostraci
on: Sin perdida de generalidad, nos limitaremos a los sistemas de una entrada y una salida (SISO).
Igualmente, como ambas demostraciones son similares nos limitaremos a la asociada al gramiano de controlabilidad. En tal sentido, recordemos que:
Z
eAt BB T eA t dt
Lc =
donde
eAt = I + At + . . . +
luego se cumple que:
A n tn
+ ...
n!
d(eAt )
= AeAt = eAt A
dt
ahora bien,
CLc C T =
CeAt BB T eA t C T dt
0
g(t)g(t)T dt = kg(t)k22
Ejemplo
En el sistema que se describe a continuacion, se desea calcular las normas 2 e infinito de:
G(s) =
s
s2 + s + 1
0,5
kG(s)k = 1.
Una desigualdad matricial lineal (LMI por sus siglas en ingles, Linear Matrix Inequality) tiene la forma [Boy94]:
F (x) = F0 +
m
X
x i Fi > 0
(I.14)
i=1
donde x IRm es la variable y las matrices simetricas Fi (=FiT IRnn ), i = 0, . . . , m son dadas. La desigualdad
en (I.14), entendiendose como que F (x) es una matriz definida positiva, i.e., u T F (x)u > 0 para todo u IRn
diferente de cero.
Observaci
on I.3 Hay que se
nalar que pueden tenerse desigualdades matriciales lineales no estrictas si la desigualdad es del tipo .
Una caracterstica interesante es que desigualdades matriciales (convexas) no lineales pueden ser convertidas
a LMIs a traves de la formula del complemento de Schur y que detallamos a continuacion.
Lema I.2 ([Boy94]) Las siguientes proposiciones son equivalentes:
1.
S1 =
2.
P > 0 y R QT P 1 Q > 0 o
3.
P
QT
Q
R
>0
(I.15)
Demostraci
on: Surge del hecho de que siendo (I.15) definida positiva (> 0), entonces P y R tambien lo son.
Construyendo la matriz de transformacion T1 regular (con autovalores todos diferentes de cero, de hecho todos
iguales a uno):
I P 1 Q
(I.16)
T1 =
0
I
entonces
S2 =
P
0
0
R QT P 1 Q
= T1T S1 T1 .
(I.17)
siendo que S1 es definida positiva y T1 regular (de hecho tambien definida positiva), entonces S2 > 0. Por otro
lado, si S2 > 0 entonces P y R son definidas positivas, siendo que T1 es regular, entonces:
S1 = (T1T )1 S2 T11
(I.18)
de donde surge que S1 > 0 y la primera proposicion del lema (I.15) queda demostrada.
Podemos proceder de manera similar con la proposicion 2 del Lemma (I.15) si definimos la matriz de transformacion:
T2 =
I
R1 QT
0
I
(I.19)
<0
(I.20)
2.
P > 0 y QT P 1 Q R < 0 o
3.
P
QT
Q
R
En conclusion, las LMI (I.15) y (I.20) son equivalentes a sus contrapartes no lineales.
Observaci
on I.4 Hacemos notar que en una LMI las variables son matrices que aparecen en forma lineal en la
desigualdad. Una vez escrita como una LMI, podemos invocar con certeza la convexidad de la desigualdad, lo que
muchas veces no es aparente de las desigualdades no lineales.
Observaci
on I.5 Una vez escrita una desigualdad matricial como una LMI, existen herramientas poderosas
para la resoluci
on de tales problemas, como por ejemplo el Toolbox de LMIs de Matlab, [GNL95], que utiliza
metodos (e.g., del elipsoide [Win94]) que aprovechan la estructura particular de las LMI para su resoluci
on.
En un sentido mas amplio, los problemas formulados en terminos de desigualdades matriciales lineales no son
mas que problemas de programacion semidefinida, los que a su vez son una generalizacion de los muy conocidos
problemas de programacion lineal en las que las restricciones de desigualdad son reemplazadas por desigualdades
generalizadas, correspondientes al cono de matrices semidefinidas [PL03].
En su forma primal pura, un problema de programacion semidefinida se define como el problema de optimizacion:
mn
traza(CX)
sujeto a traza(Ai X) = bi i = 1, . . . , m,
(I.21)
X0
donde X Sn , el espacio de matrices reales y simetricas en n n, b IRm y C, A1 , . . . , Am Sn , son matrices
simetricas dadas.
En este libro presentaremos una serie de resultados sobre el analisis y sntesis de controladores H , H2 y de
ubicacion de polos en regiones que encuentran un marco com
un en su formulacion a traves de LMIs, esto es,
como un problema de programacion semidefinida. As, por ejemplo, la desigualdad (I.9) puede escribirse como la
siguiente LMI en P > 0:
T
A P + P A + CT C P B
<0
(I.22)
BT P
2 I
4
AS + SAT + 2 BB T
CS
SC T
I
< 0.
I
P CT
CP
P
>0
(I.23)
2.
AP + P AT + BB T < 0
(I.24)
Demostraci
on: En efecto, si la segunda condicion (I.24) es satisfecha, se cumple que P > L c , por lo que
kGk22 = CLc C T CP C T
Observaci
on I.6 Cuando no hay incertidumbre en el modelo se puede, con la introducci
on de una variable
matricial adicional W , conseguir el mnimo de esa norma [GPS92] y que por supuesto coincide con el que arroja
el enfoque, digamos cl
asico, del control o
ptimo [AM89].
En lo sucesivo nos referiremos a un controlador H2 (o H ) como aquel que hace que la norma 2 (o infinito) de la
funcion de transferencia del sistema a lazo cerrado cumpla con alguna especificacion (usualmente cota superior)
dada. Ambas normas no son mas que un subconjunto de una clase mas amplia de restricciones denominadas
Restricciones integrales cuadraticas (o IQC por sus siglas en ingles) que pueden igualmente representarse por
conjuntos de LMIs.
Podemos notar que el problema de dise
no de un controlador que satisfaga criterios en ambas normas (H 2 y
H ) puede formularse como una coleccion de LMIs.
10
Ejemplo
Consideremos una vez mas el sistema del ejemplo de la seccion (I.3) y calculemos cotas para sus normas 2 e
infinito.
El listado MATLAB, destinado al calculo de una matriz P para una cota superior digamos 1.01 de la
norma infinito, se muestra a continuacion. Se hace uso del toolbox de desigualdades matriciales lineales.
num=[1 0];
den=[1 1 1];
[a,b,c,d]=tf2ss(num,den);
gamma=1.01;
setlmis([]);
p=lmivar(1,[2 1]);
lmiterm([1 1 1 p],a,1,s);
lmiterm([1 1 1 0],c*c);
lmiterm([1 2 1 p],b,1);
lmiterm([1 2 2 0],-gamma^2);
lmiterm([-2 1 1 p],1,1);
eje14=getlmis;
[tmin,popt]=feasp(eje14);
p=dec2mat(eje14,popt,1)
%
%
%
%
%
LMI
LMI
LMI
LMI
LMI
#1:
#1:
#1:
#1:
#2:
a*p+p*a
c*c
b*p
-gamma
p
1,0047
0,0037
0,0037
1,0054
Por otra parte, el listado MATLAB del calculo de una matriz P > 0, para una cota superior de 0,501 de la
norma 2, se muestra a continuacion. De nuevo se utiliza el toolbox de desigualdades matriciales lineales.
num=[1 0];
den=[1 1 1];
[a,b,c,d]=tf2ss(num,den);
gamma=0.501;
setlmis([]);
p=lmivar(1,[2 1]);
lmiterm([-1 1 1 0],gamma);
lmiterm([-1 2 1 p],1,c);
lmiterm([-1 2 2 p],1,1);
lmiterm([2 1 1 p],a,1,s);
lmiterm([2 1 1 0],b*b);
lmiterm([-3 1 1 p],1,1);
eje142=getlmis;
[tmin,popt]=feasp(eje142);
p=dec2mat(eje142,popt,1)
%
%
%
%
%
%
LMI
LMI
LMI
LMI
LMI
LMI
#1:
#1:
#1:
#2:
#2:
#3:
gamma^2
p*c
p
a*p+p*a
b*b
p
0,5006
0,0003
0,0003
0,5008
11
I.5.
El dise
no de sistemas de control que aseguren un buen desempe
no del lazo, en presencia de incertidumbre en
el modelo y/o de perturbaciones persistentes de las cuales solo se conozca una cota en su energa, ha sido objeto
de intensa investigacion desde finales de la decada de los 70s. En efecto, el control robusto es una teora que ha
alcanzado madurez y que goza de amplia aceptacion, dada su caracterstica de manejo explcito del conocimiento
de la incertidumbre y de las perturbaciones externas.
En esta seccion presentamos las bases sobre las que se fundamenta esta teora y que, de una manera muy
simple, pueden resumirse en: bajo suposiciones adecuadas, tanto el problema de estabilidad robusta como el de
desempe
no nominal pueden formularse como uno de determinaci
on de un controlador H .
Para facilitar la presentacion de los resultados de la teora de control robusto, primero nos limitaremos al caso
de sistemas de una entrada y una salida (SISO), para luego extrapolar esos resultados al caso multivariable a
traves de los valores singulares de matrices.
pc
,
1 + pc
(I.25)
d(t)
u(t)
e(t)
r(t)
y(t)
c(s)
p(s)
(-)
De nuevo, en relacion con la figura (I.2), la funcion de transferencia e(s)/r(s) (o y(s)/d(s)) viene dada por:
S(s) =
1
,
1 + pc
(I.26)
que tradicionalmente se denomina como funcion de sensibilidad, ya que es la funcion que determina (en el dominio
de la frecuencia) la sensibilidad del lazo de la figura (I.2) a cambios en la planta p(s).
Evidentemente,
S(s) + T (s) = 1,
y de all el nombre de T (s).
Antes de entrar en el tema de estabilidad robusta, consideremos la estabilidad del lazo representado en la figura
I.2 y demos algunas definiciones.
Definici
on I.1 El lazo representado en la figura (I.2) es internamente estable si toda funci
on de transferencia,
entre una entrada y una salida del sistema, es estable.
12
= Acl x + Bcl r
= Ccl x + Dcl r
El margen de ganancia (gm ) permite afrontar incertidumbre en la ganancia del proceso a controlar. En relacion
con la figura (I.4), esto significa alg
un escalar del que solo se conocen sus cotas maximas. El margen de fase
(m ) permite hacer frente a cambios incertidumbre en la fase. En relacion con la figura (I.4), alg
un escalar
del que solo se conocen sus valores extremos. De modo que la planta real es la suma de la planta nominal (p(s))
y la incertidumbre (es ).
sistema real
r(t)
+
c(s)
u(t)
es
p(s)
y(t)
(-)
Hay que hacer notar que los enfoques de margen de fase o de ganancia presuponen que solo hay desconocimiento
en uno de los dos parametros, i.e., la magnitud () o la fase (), no en ambos. En general se presenta incertidumbre
en los dos y es facil generar casos en los que, aun teniendo excelentes margenes de fase y ganancia, una peque
na
variacion simultanea en ambos magnitud y fase sobre los valores nominales, genera plantas inestables.
13
De all la idea de utilizar una nueva medida que conjugue variaciones simultaneas en magnitud y fase. Surge el
margen del modulo como nueva medida de robustez, basada en el operador diferencia de retorno. En relacion con
el lazo clasico que se muestra en la figura (I.2), definiremos al operador diferencia de retorno (O()) para una
frecuencia dada () como la distancia desde el punto (1, 0) o ej en el plano s al diagrama de Nyquist
correspondiente a esa frecuencia y que es equivalente al inverso de la magnitud de la funcion de sensibilidad
evaluada en esa frecuencia, esto es:
O() = |S(j)1 | = |1 + p(j)c(j)|.
El margen del modulo se define como:
Mm = mn O().
Mm determina la distancia mas cercana, en el diagrama de Nyquist, al punto (1, 0) del plano s, esto es,
el punto mas cercano a encerrar el (-1,0) y, por ende, a convertir al lazo en inestable. M m permite afrontar
incertidumbre en magnitud y fase simultaneamente en un lazo. En la figura (I.5) mostramos graficamente un
ejemplo del operador.
Estabilidad robusta
Para poder establecer que condiciones se requieren para garantizar la robustez de un sistema ante incertidumbre
en el modelo de la planta, primero debemos establecer un modelo adecuado de la incertidumbre a considerar. En
el caso de margen de fase y de ganancia, la robustez la establecen esos margenes en la forma de lmites soportables
de variacion.
Es relativamente sencillo, a traves de ensayos en el sistema, obtener cotas para la incertidumbre en la magnitud
y para la incertidumbre en la fase de un sistema dado. Sin embargo, ello conducira a una cantidad innumerable
de formas de la incertidumbre para las que sera muy difcil desarrollar una teora general.
En vista de que cualquiera que sea la forma de la incertidumbre del sistema siempre, de manera mas o menos
conservativa, ella puede ser aproximada por una circunferencia, en el paradigma de control robusto, esta es la
14
y entonces,
(I.27)
(I.28)
Esquematicamente podemos llevar esta incertidumbre al diagrama de Nyquist del sistema, tal como se muestra
en (I.6).
Se desprende de la descripcion de la incertidumbre que, para una frecuencia dada, la () es la cota maxima
de la magnitud de la incertidumbre y que no hay informacion sobre la fase (incertidumbre total en la fase).
A ttulo de ejemplo, consideremos un sistema de control de temperatura de un tanque de agua, que tenga
circulacion de agua permanente y nivel constante. El agua es calentada a traves de unas resistencias electricas.
El ejemplo lo tomamos de [Qui04]. La funcion de transferencia entre la potencia suministrada y la temperatura
del agua se determinan de manera experimental, dando escalones de potencia en la entrada y observando la
respuesta en la salida. Se realizan 4 pruebas, dos escalones positivos y dos negativos, resultando las 4 funciones
de transferencia que describimos a continuacion:
G1 (s)
G2 (s)
G3 (s)
G4 (s)
=
=
=
=
0,6125 32s
254s+1 e
0,75
25s
215s+1 e
0,7
20s
100s+1 e
0,6
34s
.
200s+1 e
Promediando las ganancias, las constantes de tiempo y los retrasos obtenemos como sistema nominal:
Gn (s) =
0, 6656 28s
e
192s + 1
de donde es muy facil generar una funcion maxima de desviacion en magnitud para cada frecuencia.
En la figura (I.7) hemos incluido la respuesta en frecuencia de magnitud de los sistemas encontrados con
ensayos y la respuesta del sistema nominal obtenido promediando los parametros.
En la figura (I.8) se muestra, para el ejemplo anterior, la diferencia entre la magnitud de la respuesta en
frecuencia de los sistemas obtenidos en las pruebas menos la del sistema nominal. Ello para determinar una cota
superior al error en todo el rango de frecuencias.
15
10
20
|G (j)|
Magnitud (dB)
30
40
50
60
6
10
10
10
10
Frecuencia (rad/s)
10
10
10
la ()
p(j)
1 .
|pn (j)|
pn (j)
En la figura (I.9) hemos colocado los valores normalizados del error, esto es: (l a (w)/|Gn (j)|).
Observamos que, bajo esta descripcion de incertidumbre, ya no tenemos un solo modelo del sistema (digamos
el nominal) sino, mas bien, una familia (infinita) de ellos.
La condicion de estabilidad para toda la familia de sistemas, estabilidad robusta, viene dada por el siguiente
resultado:
Teorema I.4 ([San89] y [MZ89]) Consideremos al sistema de la figura (I.2) en el que la planta p(s) es descrita
por la familia de modelos (I.29) y los cuales tienen el mismo n
umero de polos en el semiplano derecho. Adem
as, sea
c(s) un controlador que estabiliza la planta nominal pn (s). Entonces toda la familia de modelos ser
a estabilizado
por el controlador c(s) si y s
olo si
kW (s)T (s)k = sup |W (j)T (j)| 1
(I.30)
Demostraci
on: Es conveniente considerar que la familia de modelos del sistema de la figura (I.2), que satisfacen
(I.29), forman un conjunto representado por P. El sistema de la figura (I.2) es estable si y solo si para todo
16
0.2
0.18
0.16
|G (j)G (j)|
3
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
6
10
10
10
10
Frecuencia (rad/s)
10
10
10
miembro p(s) P se cumple que la ecuacion 1 + p(s)c(s) = 0 no tiene races en el semiplano derecho cerrado
(que denominaremos C+ ). Luego ello es equivalente a:
1 + pn (s)c(s)[1 + W (s)(s)] 6= 0 || < 1 y s C+
1 + pn (s)c(s) 6= (s)W (s)pn (s)c(s) || < 1 y s C+
|1 + pn (s)c(s)| |W (s)pn (s)c(s)| s = j; [0, )
kW (s)T (s)k 1
(I.31)
Este resultado, fundamental para la teora de control robusto, tiene una interpretacion grafica en el diagrama
de Nyquist (ver figura (I.10)). En efecto, en (I.31) el termino |W (s)pn (s)c(s)| = la ()|c(s)| no es mas que el radio
de la circunferencia que determina el tama
no de la incertidumbre (para cada frecuencia) y entonces se infiere que
una condicion necesaria y suficiente para estabilidad robusta es que, para cualquier frecuencia, la distancia del
1 al diagrama nominal de Nyquist, i.e. la magnitud del Operador diferencia de retorno, sea mayor que ese radio
(que acota la incertidumbre en esa frecuencia). En otros terminos y visto que toda la familia de sistemas tiene el
mismo n
umero de polos en el semiplano derecho, la condicion de estabilidad robusta implica que la banda de
Nyquist, determinada por la familia de sistemas, no encierra al 1.
En (I.31) se uso el hecho derivado del teorema del maximo modulo que se
nala que:
kF (s)k =
sup
Re{s}>0
es decir, que el maximo de una funcion continua en un conjunto cerrado y acotado ocurre en su frontera.
Podemos incluir esquematicamente la representacion de la incertidumbre multiplicativa en la descripcion clasica
del lazo realimentado. Ello se muestra en la figura (I.11).
En relacion con la misma figura (I.11), observe que el resultado para la estabilidad robusta es equivalente a
abrir el lazo en los dos extremos del bloque de la incertidumbre ((s)) y verificar que la funcion de transferencia
W (s)T (s) entre d(t) y z(t), nuevas entrada y salida al abrir el lazo, esta acotada en magnitud.
La incertidumbre multiplicativa, representada por W (s), es solo una forma entre muchas para describir lo que
desconocemos en un lazo. Las funciones W (s) tienen normalmente la forma mostrada en la figura (I.12). La
incertidumbre es mas peque
na en bajas frecuencias y crece a medida que la frecuencia aumenta. Es importante
17
3.5
3
|G3(j)/Gn(j)1|
2.5
1.5
0.5
0
6
10
10
10
10
Frecuencia (rad/s)
10
10
10
Luego, un modelo poco ajustado de la incertidumbre puede imponer cotas extremadamente restrictivas (muy
peque
nas) en la funcion complementaria y, por ende, en el controlador.
De la misma forma que la magnitud de la incertidumbre debe ser lo mas entallada posible, a fin de evitar ser
excesivamente conservadores en el dise
no del control, el mismo razonamiento se extiende a la topologa del
modelo de la incertidumbre.
Hasta ahora hemos mencionado dos tipos, a saber:
Aditiva: p(s) = pn (s) + (s)W (s)
|(s)| < 1
|(s)| < 1.
Ademas, entre otras, tambien podemos representar la incertidumbre como [San89], [DFT92]:
18
d(t)
z(t)
(s)
W (s)
e(t)
r(t)
y(t)
u(t)
c(s)
pn (s)
(-)
Mencion particular hacemos sobre aquellos casos en los que el modelo es obtenido a partir de leyes fsicas que
gobiernan al sistema y en los que, por ende, se puede relacionar a los parametros de la funcion de transferencia
con alg
unos elementos fsicos reales, como por ejemplo, diametro de una tubera, peso especfico de un fluido,
etc. Si esos parametros fsicos se ven afectados sensiblemente durante la operacion normal del sistema, ello va a
implicar no un modelo sino una familia de ellos. Este caso de incertidumbre altamente estructurada recibira el
nombre de incertidumbre parametrica y normalmente ocurre en bajas frecuencias. Tambien se le conoce como
incertidumbre poliedrica.
A continuacion presentamos dos ejemplos de sistemas inciertos y la funcion (W (s)) que acota el maximo de la
incertidumbre para cada frecuencia.
Ejemplo de c
alculo de la representaci
on de la incertidumbre
Consideremos al sistema:
G(s) =
1e s
s+1
1
.
s+1
G(s)
esto es:
e
1 kW (s)k
(I.32)
Para el peor caso = 0,2, con un poco de ensayo y error obtenemos que:
W (s) =
2s
.
s+1
(I.33)
z(s)
0
Gn (s)
d(s)
=
e(s)
W (s) Gn (s)
u(s)
o, explcitamente:
z(s)
e(s)
0
2s
s+1
1
s+1
1
s+1
d(s)
u(s)
0
1
x1 (t)
1 0
x1 (t)
u(t)
d(t) +
+
=
1
0
x2 (t)
0 1
x2 (t)
20
10
5
W()
10
|ej0,21|
15
20
25
30
35
40
1
10
10
10
Frecuencia (rad/s)
10
10
z(t)
e(t)
0
2
1
1
x1 (t)
x2 (t)
0
2
d(t).
El control sugerido que calculamos con una de las tecnicas que desarrollaremos en captulos posteriores
es:
5,012 108 s2 + 0,03328s 0,003325
C(s) =
.
s2 + 3,333 106 s + 65,84
El diagrama de bloques para efectos de la atenuacion de perturbacion queda como se muestra en la figura
(I.14).
z(t)
d(t)
W (s)
e(t)
r(t)
y(t)
u(t)
c(s)
Gn (s)
(-)
W (s)C(s)Gn (s)
1 + C(s)Gn (s)
21
160
180
|T (j)|
dz
Magnitud (dB) T
dz
200
220
240
260
280
300
10
10
10
10
10
Frecuencia (rad/s)
10
10
10
0,13(s/0,001 + 1)
.
(s/0,024 + 1)
En (I.16) mostramos la respuesta frecuencial de W (s) en magnitud as como los errores normalizados de
los cuatro sistemas, i.e., |Gi (s) Gn (s)|/|Gn (s)|, i=1,2,3,4.
3.5
W()
2.5
1.5
0.5
0
6
10
10
10
10
Frecuencia (rad/s)
10
10
10
Figura I.16.: Respuesta en frecuencia de los errores y su umbral W (s). Ejemplo calentador.
Desempe
no nominal
Consideremos el lazo de control de (I.2) en el que el sistema p(s) es perfectamente conocido y u
nico. El
desempe
no de un sistema se mide, entre otros y en el ambito del control clasico, como la capacidad de seguir una
22
referencia determinada r(t) o de rechazar una perturbacion de forma conocida d(t) en la salida del sistema y(t).
En el primer caso el desempe
no podemos medirlo a traves de la se
nal de error:
e(s) =
r(s)
= S(s)r(s)
1 + p(s)c(s)
1
kS(s)k =
1 + p(s)c(s)
ya que en general el producto p(s)c(s) es estrictamente propio para sistemas fsicos reales, i.e.,
lm p(s)c(s) = 0
23
y entonces a muy altas frecuencias el problema de encontrar un controlador c(s) que haga el trabajo en toda la
gama de frecuencias puede resultar imposible. Por otra parte, en general s
olo interesa satisfacer el criterio de
desempe
no en la gama de frecuencias asociadas al ancho de banda del sistema p(s) siendo estas las se
nales que
verdaderamente lo afectan dejando libre al resto.
Adicionalmente, aunque s
olo hemos supuesto conocida la energa m
axima de las entradas (perturbaci
on o
referencia) es posible que adem
as exista alg
un tipo de conocimiento del ancho de banda de ellas y que pudiera
reflejarse como una funci
on de peso o filtro en la entrada de esas se
nales.
Esquem
aticamente, ambos pesos se pueden representar como lo ilustra la figura (I.17), lo que se traduce en el
nuevo criterio de desempe
no nominal:
kW1 (s)S(s)W2 (s)k 1
kW (s)S(s)k 1;
r(t)
W1 (s)
c(s)
y(s)
y(t)
u(t)
p(s)
W2 (s)
(-)
Observaci
on I.8 El criterio de desempe
no nominal desarrollado no es generico y est
a asociado con las se
nales
de entrada y salida seleccionadas. Si hubiesemos escogido otras entradas y/o salidas, hubieramos obtenido la
cota superior de la norma infinita de otra funci
on de transferencia. Esto u
ltimo s es un hecho general, es decir,
al igual que la estabilidad robusta de un sistema, el desempe
no nominal se eval
ua o analiza calculando la
norma infinita de alguna funci
on de transferencia asociada al lazo, siempre que los par
ametros de medici
on
sean las energas de la se
nal de perturbaci
on y la se
nal de salida. Si los par
ametros fuesen otros diferentes de
energa otra sera la norma (vease por ejemplo [SGC97]).
Observaci
on I.9 En el caso de estabilidad robusta, si no se satisface el criterio (I.30) entonces existe un subconjunto de modelos del sistema que no podr
an ser estabilizados por el compensador propuesto, i.e. el lazo cerrado
ser
a inestable para algunos modelos. En el caso del desempe
no nominal, si no se satisface
kW (s)S(s)k
para un dado, s
olo implica que el criterio es muy restrictivo y no puede alcanzar ese nivel de desempe
no. No
obstante y asumiendo que el lazo puede estabilizarse, siempre existir
a alg
un s > a partir del cual s podr
a obtenerse un controlador.
Ejemplo an
alisis de desempe
no
Consideremos el sistema:
5e3s
.
10s + 1
Utilizando el criterio de sintonizacion de Ziegler y Nichols [Kuo95] se obtiene un controlador PI con K c = 0,6 y
Ti = 10. Se desea evaluar la atenuacion que presenta este controlador a perturbaciones d(t) que entran al sistema
tal como se muestra en la figura (I.18).
Gn (s) =
24
d(t)
y(t)
r(t)
Kc (1 +
1
Ti s )
Gn (s)
(-)
Gn (s)
1 + GP I (s)Gn (s)
donde
GP I (s) = Kc (1 +
1
).
Ti s
Aproximando el retardo por un Pade de primer orden ([Kuo95]) y dibujando el bode del sistema simplificado,
se obtiene la grafica de la figura (I.19), de donde es facil determinar que:
2.5
Magnitud de T
dy
1.5
0.5
0
2
10
10
10
10
Frecuencia (rad/sec)
25
nn=K;dn=[T 1];
[nr,dr]=pade(Td,1);
ns=conv(nn,nr);ds=conv(dn,dr);
Kc=0.9*T/Td/K;Ti=Td/.3;
nc=Kc*[Ti 1];dc=[Ti 0];
[n,d]=feedback(ns,ds,nc,dc,-1);
[mag,pha,w]=bode(n,d);
Amplifica=max(mag)
semilogx(w,mag)
W (j)p(j)c(j)
1
kW (s)T (s)k =
1 + p(j)c(j)
z(t)
d(t)
u(t)
p(s)
e(t)
c(s)
Figura I.20.: Paradigma de dise
no de control robusto.
del sistema, y se desea determinar un compensador c(s) tal que:
kTdz (s)k 1
siendo Tdz (s) la funcion de transferencia entre d(t) (la perturbacion) y z(t). Observe que hemos preferido, como
es usual en control robusto, usar la se
nal e(t) como salida medible, en lugar de y(t), por ser la primera la que
esta directamente actuando sobre el controlador.
El esquema que se muestra en la figura (I.20) representa el paradigma clasico de dise
no de control robusto,
siendo ademas el mas usado.
Si se dispone (o se ha calculado) un controlador y lo que se desea es analizar su desempe
no, entonces el
paradigma pasa a ser el de la figura (I.21), donde, de nuevo, p(s) es la planta generalizada y |(s)| < 1 representa
la incertidumbre. Es facil transformar el esquema de las figuras (I.11) y (I.14) a aquellos de las figuras (I.20) y
(I.21).
26
e(t)
r(t)
p(s)
d(t)
z(t)
(s)
Figura I.21.: Paradigma de analisis de control robusto.
Sistemas con m
ultiples entradas y m
ultiples salidas
Para el caso de los sistemas multivariables, nos serviremos del paradigma de control representado en (I.21).
Las relaciones entre la salida y la entrada del sistema son dadas por:
Para el caso multivariable, las salidas y/o las entradas pueden o no ser vectores. As, por ejemplo, para el
sistema de la figura (I.22), si definimos a la dupla (r(t) y d(t)) como las entradas y a (z(t) y e(t)) como las
salidas, tendremos que:
z(s)
T
T W1
r(s)
=
(I.35)
e(s)
d(s)
W2 S W2 SW1
donde
S(s) = [I + p(s)c(s)]1
T (s) = p(s)c(s)[I + p(s)c(s)]1
z(t)
d(t)
W2 (s)
r(t)
W1 (s)
y(t)
u(t)
c(s)
p(s)
(-)
Desempe
no nominal
Revisemos ahora los conceptos de estabilidad robusta y desempe
no nominal a la luz del paradigma de control
y para sistemas multivariables, y para ello consideremos al sistema de la figura (I.21). En ese caso el desempe
no
27
r(t) : krk2 1
cuando = 0.
Teorema I.6 ([San89]) La condici
on necesaria y suficiente para desempe
no nominal es:
kG21 (s)k < 1
Demostraci
on: Cuando la incertidumbre es nula ( = 0) tenemos que:
kek22
=
=
kG21 (s)r(s)k22
Z
rH (j)GH
21 (j)G21 (j)r(j)d
2 (G21 (j ))
rH (j)r(j)d
(I.36)
(I.37)
(I.38)
2 (G21 (j ))
(I.39)
() 1
(I.40)
s C+ .
(I.41)
Supongamos que
(G12 ) < 1. Recordando algunas propiedades de los valores singulares de una matriz, sabemos
que:
(G12 ) > 1
(G12 ),
(I G12 ) 1
28
luego si
(G12 ) < 1
entonces
s C+
det(I G12 ) 6= 0
s C+ .
(G12 ) ,
entonces
det(I G12 (s ) = det[V (I )U ] = 0
para el primer autovalor (recordando que los valores singulares estan ordenados en ).
Finalmente, por el teorema del maximo modulo
(G12 (s)) = sup
(G(j)) = kG12 k .
sup
sC+
Los sistemas multivariables, al igual que los SISO, pueden ser evaluados en su desempe
no y estabilidad en el
marco de la norma infinita. Otras medidas de desempe
no pueden igualmente imponerse al sistema. Algunas como
la norma 2 permiten evaluar el impacto de condiciones iniciales, al reflejar esas condiciones en el sistema como
una funcion impulso (t) de magnitud adecuada [PH96]. Tambien la misma norma permite evaluar el efecto del
ruido blanco, tambien cuantificable como una funcion impulso con varianza conocida [San89].
Las medidas de rechazo de perturbaciones presentadas, en modo alguno, no agotan las formas de evaluacion del
desempe
no. Clasicamente, el desempe
no se eval
ua en terminos de los tiempos de establecimiento, de crecimiento,
maximo sobrepico, comportamientos sobre o subamortiguados, etc. [Kuo95], estando estas cualidades del sistema
ntimamente relacionadas con la ubicacion de los polos del sistema de lazo cerrado.
La ubicacion de polos en regiones convexas ha recibido tambien la atencion de un n
umero de investigadores
[GJ81] [ChG96] y ese problema tambien puede formularse como uno de desigualdades matriciales lineales (LMIs)
en la matriz de Lyapunov P , siempre que la region pueda describirse como una regi
on LMI y que formalmente
definimos de la forma:
Definici
on I.3 ([ChG96]) Una regi
on LMI es cualquier regi
on convexa R que pueda describirse de la forma:
R = {z C : L + zM + zM T < 0}
donde L = LT y M son matrices constantes reales de las mismas dimensiones.
Ejemplos importantes de tales regiones LMI son:
1.
2.
3.
sin (z + z)
R= zC:
cos (
z z)
cos (z z)
sin (z + z)
<0 .
29
Im(s)
Re(s)
xo
Im(s)
Re(s)
xo
4.
r
z +
R= zC:
<0
z+
r
El siguiente teorema establece la relacion entre la ubicacion de polos autovalores de una matriz A en una
region LMI y esa region.
Teorema I.8 Una matriz A tiene todos sus autovalores en una regi
on LMI de la forma:
R = {z C : L + zM + zM T < 0}
si y s
olo si existe una matriz X > 0 tal que:
L X + M (AX) + M T (AX)T < 0.
(I.42)
30
Im(s)
Re(s)
Im(s)
r
Re(s)
-
Como se ha visto, una cantidad de problemas clasicos y modernos pueden ser formulados en el marco com
un
de las desigualdades matriciales. Hasta ahora hemos mencionado la estabilidad robusta, el desempe
no nominal
y la ubicacion de polos en regiones. Todo esto tanto para sistemas SISO como MIMO, estos u
ltimos a traves de
los valores singulares.
La lista antes mencionada no es en modo alguno agotadora, y otros problemas tambien pueden o bien formularse
bajo el mismo marco o encontrar cotas superiores lmites seguros o conservadores a esos problemas con las
mismas herramientas aportadas por las desigualdades matriciales. Mencionamos por ejemplo ` 1 , pasividad, etc.
Vease [SGC97] para un recuento de otras formulaciones.
En este trabajo nos limitaremos a los tres primeros H , H2 y ubicacion de polos en regiones mas por una
cuestion de no ser repetitivos. La extension a esos otros problemas es, relativamente, sin dificultad.
31
Esta breve revision no pretende ser agotadora, fsicamente sera imposible incluirlos todos dada la enorme
cantidad de resultados que aparecen diariamente, pero s pretende ser lo suficiente como para sentar las bases
del estudio de la formulacion multiobjetivo.
Finalmente, en este captulo se ha fijado precisamente el alcance del trabajo, incluyendo otros paradigmas de la
teora de control robusto como los de factorizacion coprima [McF90] y L1 , `1 [DD95]. Todos ellos los revisaremos
con mas detalle en los captulo siguientes. Enfoques no lineales quedan fuera del alcance de este trabajo.
32
CAPITULO
II
II.1.
Introducci
on
Frecuentemente, los sistemas a controlar con los que nos encontramos en la practica presentan alg
un tipo
de restricciones sobre su comportamiento que lo limitan severamente. El caso mas frecuente es la presencia
de saturaciones sobre la se
nal de control (pues los actuadores tienen un rango estrecho de actuacion), pero
tambien pueden aparecer limitaciones sobre su velocidad o aceleracion maximas, efecto de las inercias de los
actuadores, as como limitaciones en variables secundarias. Para resolver estas dificultades en la etapa de dise
no
del controlador se han propuesto varias soluciones, como los metodos basados en la resolucion de problemas de
programacion lineal, que tratan de optimizar la norma `1 , en vez de las normas H o H2 que hemos presentado
en el captulo anterior [DD95].
En esta seccion comprobaremos como, utilizando una descripcion adecuada del conjunto de se
nales de entrada
esperables, se puede, de forma natural, considerar problemas de control optimo y control robusto, con el objetivo
u
ltimo de calcular controladores para m
ultiples tipos de restricciones (saturaciones, limitaciones en velocidad,
sobrepico, etc.) Como tal, esta solucion esta basada en la evitacion de restricciones (Constraint Avoidance
[HTK01]): evitando las limitaciones, el sistema en lazo cerrado permanece en la region de comportamiento lineal.
Aunque la solucion puede plantearse en el campo continuo utilizando la norma L 1 [DD87], los metodos de
dise
no que resultan en el caso continuo no son adecuados para casos practicos, pues es facil comprobar como la
solucion optima de control sera una combinacion de impulsos. Por ello, en el resto del captulo trabajaremos con
sistemas discretos, en los que se utiliza la norma `1 y se dan soluciones que pueden aplicarse en sistemas reales.
Desde el punto de vista teorico, una de las razones por las que se ha desarrollado una teora de control robusto
basado en la norma `1 viene dada por el hecho de que en muchas aplicaciones practicas tanto las perturbaciones
como el ruido de medida act
uan de forma continua sobre el sistema, por lo que no es adecuado describirlas como
se
nales acotadas en energa, como se hace con los metodos basados en la norma H . Por fortuna, normalmente
se conoce la maxima amplitud esperable de estas se
nales, por lo que es posible describirlas como se
nales acotadas
en magnitud: kdk , donde la norma es la denominada normal ` o norma pico-a-pico, que corresponde a la
maxima amplitud de la se
nal: kdk = max(|u[i]|).
Otra razon mas para desarrollar esta teora, en vez de proseguir con la teora mas popular de H , es el
conocimiento que normalmente se tiene de las consignas que se aplican a cada sistema, que generalmente consisten
en una serie de saltos o rampas cuya magnitud o pendiente puede acotarse facilmente. Por ejemplo, si la entrada
es un salto siempre tiene una magnitud maxima esperable: krk rmax ; o si la consigna es una rampa, su
pendiente puede acotarse:
1 z 1 r smax
Para concluir con las ventajas de esta tecnica, debemos mencionar su facilidad de calculo. As, para un sistema
SISO, la norma `1 viene dada por la suma en valor absoluto de los terminos de la respuesta impulsional:
kk1 =
X
i=1
|[i]|.
Si la norma es finita (esto es, el sistema estrictamente estable), basta con calcular la suma para un ndice
suficientemente grande, para obtener una aproximacion con la precision deseada.
Antes de presentar el metodo en detalle debemos puntualizar que, si las limitaciones sobre las se
nales no fuesen
simetricas en la mayor parte de los casos, basta con redefinir el punto de trabajo para que sean simetricas y
la utilizacion de la norma simetrica usual (kuk umax ) no introduzca conservadurismo. Por ejemplo, si la
u
nica limitacion es una saturacion no simetrica sobre las se
nales de control, basta redefinir el punto de trabajo
min
). Si esta
en el punto medio de las restricciones: (xmean = xmax xmin ; kx(k)k = maxt (|x(k)|) = xmax +x
2
redefinicion del punto de trabajo no resultase adecuada (por ejemplo, por cambiar las restricciones con el tiempo,
por haber m
ultiples restricciones o por modificarse el comportamiento nominal con el punto de trabajo), es posible
reformular todo el desarrollo presentado en esta seccion para el caso no-simetrico. Sin embargo, la notacion y la
solucion pasan a ser mas engorrosas [NBT03].
Esta teora fue planteada por primera vez por Vidyasagar [VI86], siendo resuelto el problema en un caso
bastante general por [DD88], que demostro como poda convertirse dicho problema en uno de programacion
lineal, facilmente resoluble. Comparado con otras tecnicas propuestas de control con restricciones, hay resultados
publicados sobre aplicaciones a sistemas reales (vease por ejemplo: [MK00], [TG02], [THV88]).
II.2.
Especificaciones de funcionamiento
Saturaci
on
Supongamos que se desea comprobar si un determinado controlador K(z) satura el actuador del sistema de
control en la figura II.1. Como es bien sabido, este efecto se presenta frecuentemente en la practica: las valvulas
tienen unos valores maximos y mnimos de apertura, los amplificadores electronicos se saturan, los alerones tienen
un angulo maximo y una velocidad maxima de giro, etc. Si la se
nal de control se satura pueden generarse ciclos
lmites o inestabilidades.
Vamos a ver como tratar este problema dentro de una formulacion `1 . Supongamos que la saturacion del
controlador puede describirse matematicamente como:
umax si
u0 [i] > umax .
34
Limitacion en la se
nal de
control
r(z)
+
e(z)
u0 (z)
K(z)
u(z)
y(z)
G(z)
()
r posibles
kuk umax .
Si la variacion maxima de las referencias es rmax , por definicion de la norma `1 esta comprobacion puede
expresarse como:
kTru0 k1 rmax umax .
Donde Tru0 denota la funcion de transferencia de r a u0 , que en el caso del sistema realimentado de la figura II.1
es simplemente K(1 + KG)1 , o sea, el sistema no se satura siempre que
Limitaciones de velocidad
Si la variacion maxima permitida de la se
nal de control recibida por el actuador es V max , en cada perodo de
muestreo, el sistema no sobrepasara este lmite en la variacion de la se
nal de control si se cumple que:
max
max
(1 z 1 )u
r posibles
O lo que es lo mismo:
r posibles
Vmax ,
que puede convertirse a una condicion sobre la norma `1 de la funcion de transferencia de r a u0 = u[i] u[i 1]
(Tru0 = (1 z 1 )K(1 + KG)1 ) :
Limitaciones de aceleraci
on
De forma analoga al caso de la velocidad, si la variacion maxima permitida de la variacion de la se
nal de control
recibida por el actuador es Amax en cada perodo de muestreo, no se superara este lmite siempre que:
max
r posibles
O lo que es lo mismo:
max
r posibles
(1 z 1 )2 u
Amax ,
que puede convertirse a una condicion sobre la norma `1 de Tru0 = (1 z 1 )2 K(1 + KG)1 (funcion de transferencia de r a u0 = u[i] 2u[i 1] + u[i 2]):
Es decir, el error de seguimiento maximo viene dado por el producto del tama
no de la perturbacion maxima, por
la norma `1 de Wd K(1 + KG)1 .
n(z)
Wd (z)
Limitacion en la
se
nal de control
e(z)
()
K(z)
u0 (z)
u(z)
y(z)
G(z)
36
II.3.
An
alisis `1
Hemos visto hasta ahora como ciertas especificaciones de funcionamiento pueden expresarse en terminos de
la maxima variacion de ciertas se
nales (salidas medibles, se
nales de control, se
nales de error), por efecto de
ciertas se
nales aplicadas al sistema (consignas, perturbaciones y ruidos de medida), cuya amplitud maxima
puede conocerse. De esta forma se ha visto como consecuencia logica el calculo de la norma ` 1 para comprobar
estas especificaciones de funcionamiento. Hemos mostrado tambien como el problema de analisis de robustez
puede expresarse en la norma `1 de determinadas funciones de transferencia.
Ejemplo de an
alisis `1
En este ejemplo numerico se desea comprobar si el sistema de la figura II.1 pudiera alcanzar saturacion al
3z1
2z1
y la planta G = (2z1)(4z1)
.
aplicar una consigna de amplitud maxima 2, siendo el controlador K = 3z1
Tal como se ha mencionado anteriormente, este requerimiento equivale a comprobar la siguiente condicion
sobre la norma `1 :
(2z 1)(4z 1)
4z(3z 1) = 0,9583.
1
Como 0,9583 < 23 , significa eso que podemos asegurar que el actuador no se saturara. De hecho, la consigna
podra tener de amplitud maxima 2 1,5/0,9583 3,13 y podramos seguir asegurando que el actuador no se
satura.
II.4.
Estabilidad robusta
El objetivo es mostrar como la norma `1 puede utilizarse tambien para resolver problemas de estabilidad
robusta: en su formulacion general se trata de comprobar si el sistema en lazo cerrado de la figura II.3 es estable,
aun en presencia de la incertidumbre en el sistema , que se supone acotada en la norma ` 1 (||1 1), pudiendo
ser variante en el tiempo. A partir del teorema de peque
na ganancia es posible demostrar que el sistema en lazo
cerrado es estable si y solo si kM k1 < 1, donde M es la funcion de transferencia entre la salida de la incertidumbre
y su entrada.
37
Ejemplo de an
alisis de estabilidad robusta
Se trata de comprobar si el sistema en lazo cerrado de la figura II.4 es estable, aun en presencia de una
incertidumbre multiplicativa directa en la entrada del 100 %. La condicion obtenida a partir del teorema de
peque
na ganancia es:
KG(I + KG)1 1.
1
Si G =
3z1
(2z1)(4z1)
yK=
2z1
3z1 ,
entonces
Esto significa que puede asegurarse la estabilidad robusta del sistema realimentado, aun en presencia de esta
incertidumbre en el sistema.
r(z)
+
e(z)
u(z)
K(z)
y(z)
+
G(z)
()
II.5.
Soluci
on mediante programaci
on lineal
K estabilizantes
kHT (K)k1 1
donde M (K) es una determinada funcion de transferencia que relaciona determinadas entradas y salidas, depende
del controlador a dise
nar (K) y H es una funcion de transferencia constante (una funcion de peso).
Por ejemplo, si tratamos de minimizar las variaciones de la se
nal de control se tratara de calcular el controlador
que minimice:
mn (1 z 1 )K(1 + KG)1 1
38
Conversi
on a un problema de programaci
on lineal
Por simplicidad, comenzamos la presentacion para el caso de optimizacion de una u
nica funcion de transferencia SISO. La idea principal del metodo se basa en trabajar directamente con los coeficientes de la respuesta
impulsional de la funcion de transferencia a minimizar = {[i]}. Efectivamente, hemos visto como los problemas con restricciones se pueden expresar en funcion de la suma (en valor absoluto) de los coeficientes de la
respuesta impulsional (que no es otra cosa que la norma `1 ).
El problema de optimizacion puede expresarse entonces como:
mn
K estabilizantes
kk1 =
mn
K estabilizantes
X
i=1
|[i]|
donde [i] son los coeficientes de la respuesta impulsional que tratamos de optimizar, con la restriccion adicional
de que el controlador K no puede cancelar ning
un cero inestable de la planta G (lo que hara K inestable, que
siempre es indeseable). Tampoco K debera cancelar ning
un polo inestable de la planta (pues la cancelacion no
sera efectiva en cuanto la planta sufriera una peque
na variacion, haciendo el sistema en lazo cerrado inestable;
esto es, el sistema no tendra estabilidad interna). Esto lo representaremos matematicamente como la restriccion
de que KG debe valer 0 en los ceros inestables de la planta e en los polos inestables de la planta.
Por ejemplo, en el caso de que quisieramos minimizar el error de seguimiento en presencia de perturbaciones,
el objetivo sera minimizar la sensibilidad S = 1/(1 + KG). Denotando los ceros inestables de la planta G como
{zk } y los polos inestables como {pk }, las restricciones de interpolacion seran:
S(zk ) = 1/(1 + 0) = 1
S(pk ) = 1/(1 + ) = 0
k.
(z3)
(z2)(z0,5) ,
S(3) = 1
S(2) = 0.
En cambio, si la funcion a optimizar resultase ser la sensibilidad complementaria T = KG/(1 + KG), las
restricciones de interpolacion seran:
T (zk ) = 0 k
T (pk ) = 1 k
que para nuestro ejemplo seran
T (3) = 0
S(2) = 1.
En general, para asegurar la estabilidad interna del sistema de control a dise
nar se deberan cumplir las siguientes
restricciones de interpolacion:
M (zk ) = k k
M (pk ) = k k
39
donde k y k corresponden a los valores (constantes) resultantes de sustituir los ceros o polos en la funcion de
transferencia.
Como se ha mencionado antes, si expresamos esta funcion de transferencia generica en P
terminos de su
respuesta impulsional = {[i]}, por definicion de la transformada z de un sistema ((z) = i=0 [i]z i ) y
seg
un la formula de calculo de una norma `1 como la suma en valor absoluto de los terminos de una respuesta
impulsional, la norma ell1 resulta ser:
X
mn
|[i]|.
[i]
i=0
Para tener en cuenta las restricciones de interpolacion, basta utilizar el hecho de que el valor de una funcion
de transferencia en un punto ak , dada su respuesta impulsional {[i]}, es:
(ak ) =
X
[i]
i=0
aik
X
i=0
|[i]|
sujeto a
X
[i]
= k k
X
[i]
= k k.
zki
i=0
i=0
pik
Este problema de minimizacion puede transformarse a un problema de programacion lineal estandar haciendo
el cambio de variable [i] = [i]+ [i] , donde aseguraremos que las nuevas variables sean siempre positivas:
[i] 0 y [i]+ 0 y una de ellas siempre 0 (esto se conseguira normalmente pesando de alguna forma el valor
de estos nuevos coeficientes).
Resulta entonces el nuevo problema de optimizacion:
mn
[i]+ + [i]
i=0
sujeto a
X
[i]+
i=0
zki
X
[i]+
i=0
pik
X
[i]
= k k
X
[i]
= k k.
i=0
i=0
zki
pik
En principio este es un problema de programacion lineal con infinitas variables, pero normalmente puede
truncarse, suponiendo que la respuesta impulsional es finita. Para ello basta reemplazar el en la expresion
anterior por un valor finito N (que puede aumentarse hasta obtener buena convergencia). Resulta entonces un
problema de programacion lineal de dimension finita, que puede resolverse utilizando software de programacion
lineal (por ejemplo la funcion lp o linprog en Matlab), como mostraremos posteriormente en el ejemplo detallado
del reformador de hidrogeno (II.6).
40
Una vez resuelto el problema de optimizacion lineal, basta deshacer los cambios de variables realizados para
obtener el controlador:
Primero los coeficientes de la respuesta impulsional optima se obtendran a partir de la solucion optima del
problema de programacion lineal:
[i] = [i]+ [i]
y el controlador optimo se calcula despejando K de la formula de la funcion de transferencia caracterstica
utilizada. As, si la funcion a optimizar es la sensibilidad S = 1/(1 + KG), el controlador sera:
K=
1
.
G
P
dG (1 [i]z k )
P
.
nG ( [i]z k )
Para obtener el controlador definitivo basta cancelar ceros y polos (si se ha realizado correctamente siempre
se cancelaran los que hayamos introducido en las restricciones de interpolacion, con lo que desaparecen del
controlador), y realizar la reduccion de orden correspondiente, si fuese necesario.
Problema multibloque
Hemos visto como es posible resolver el problema de dise
no de controladores en presencia de restricciones, en
el caso de que el objetivo sea minimizar una u
nica funcion de transferencia. Sin embargo, en problemas practicos
el objetivo puede ser minimizar varias matrices de transferencia de forma simultanea.
Presentaremos la tecnica multibloque mediante un ejemplo numerico basado en resolver un problema de sensibilidad mixta, donde el dise
nador debe considerar situaciones de compromiso entre requerimientos a baja y
altas frecuencias, que se pueden transformar como un problema de optimizacion en paralelo de dos funciones de
transferencia caractersticas, como pueden ser la sensibilidad, la sensibilidad al control o la sensibilidad complementaria. Por ejemplo, un problema de sensibilidad mixta que trate de minimizar la sensibilidad y la sensibilidad
al control puede expresarse como:
(I + KG)1
.
mn
K(I + KG)1 1
K
Este problema de sensibilidad mixta presenta la ventaja frente a otros en que evita que el controlador cancele
los ceros y polos estables de la planta, como luego comprobaremos en un ejemplo.
Pues bien, la solucion se obtiene de forma analoga al caso de un bloque, definiendo 1 = (I + KG)1 y
2 = K(I + KG)1 :
.
mn
2
1
41
dG (+
1 + 1 ) + nG (2 + 2 ) = dG
donde significa convolucion (producto de polinomios en z 1 ). Al desarrollar la convolucion se obtiene un conjunto infinito de restricciones, facilmente desarrollable en termino de los coeficientes de numerador y denominador
de la planta.
Ejemplo
En el caso de que nG = n0 z + n1 y dG = z + d1 , con p1 = d1 > 1, z1 = n1 /n0 > 1, en terminos de los
elementos de las respuestas impulsionales, esta relacion se transformara en el siguiente conjunto de restricciones
de factibilidad:
(+ [0] + [0]) + n0 (+
2 [1] + 2 [1]) = d0
d1 (+
1 [0] + 1 [0]) + (1 [1] + 1 [1]) + n1 (2 [0] + 2 [0]) + n0 (2 [1] + 2 [1]) = d1
d1 (+
1 [1] + 1 [1]) + (1 [2] + 1 [2]) + n1 (2 [1] + 2 [1]) + n0 (2 [2] + 2 [2]) = 0
d1 (+
1 [i] + 1 [i]) + d1 (1 [i + 1] + 1 [i + 1]) + n1 (2 [i] + 2 [i]) + n0 (2 [i + 1] + 2 [i + 1]) = 0 i > 1
En cuanto a las condiciones de interpolacion, en este caso inicialmente seran las siguientes:
1 (zk ) = 1 k
1 (pj ) = 0 j
2 (pj ) = 0 j.
Sin embargo, en este caso las restricciones de interpolacion (1 (zk ) y 2 (pj )) resultan ser redundantes, pues
las restricciones de factibilidad crean relaciones entre las restricciones de interpolacion. As en nuestro ejemplo,
al tener como restriccion de factibilidad 1 + G2 = 1, si la evaluamos en los ceros de la planta resulta automaticamente que 1 (zk ) = 1, y si la evaluamos en los polos 2 (pj ) = 0, con lo que se comprueba que no hace falta
incluir estas restricciones de interpolacion, pues ya estan incluidas automaticamente en las de factibilidad.
Esta redundancia hace que sea siempre recomendable comprobar si es posible eliminar algunas de las restricciones (de hecho en la mayor parte de los problemas multibloque correctamente formulados las restricciones de
interpolacion resultan redundantes).
En definitiva, el problema de optimizacion resultante para este ejemplo, suponiendo que las respuestas impulsionales son finitas de longitud N , sera
mn
+
1 [i],1 [i],2 [i],2 [i]
m
ax
N
X
+
1 [i] + 1 [i] + 2 [i] + 2 [i]
i=0
sujeto a
N
N
X
X
+
1 [i]
1 [i]
= j
i
i
p
p
1
1
i=0
i=0
(+ [0] + [0]) + n0 (+
2 [1] + 2 [1]) = d0
d1 (+
1 [0] + 1 [0]) + (1 [1] + 1 [1]) + n1 (2 [0] + 2 [0]) + n0 (2 [1] + 2 [1]) = d1
d1 (+
1 [i] + 1 [i]) + d1 (1 [i + 1] + 1 [i + 1]) + n1 (2 [i] + 2 [i]) + n0 (2 [i + 1] + 2 [i + 1]) = 0 i > 0.
42
II.6.
43
perturbaci
on
r(z)
+
()
K(z)
control de
flujo
y(z)
valvula
G(z)
()
Debemos puntualizar que no se dispone de una medida fiable de la temperatura del vapor de entrada, lo que
hace inadecuado utilizar un compensador feedforward que elimine las perturbaciones; ademas, la planta es de
fase no-mnima. Esta reducion de las perturbaciones debe realizarse entonces por realimentacion.
Puede comprobarse en este modelo que la planta es estable, pero de fase no mnima, con tres ceros fuera del
crculo unidad (en z = 15,45, y z = 0,79 + 1,57j).
El modelo de perturbacion se obtuvo por identificacion, resultando ser:
Sensibilidad mixta
Para resolver problemas practicos basados en minimizacion de una norma ` 1 el problema de sensibilidad mixta:
WS I + KG1
mn
WM KG I + KG1 1
fue propuesto y resuelto en [DP87], luego estudiado en mas detalle en [ST93]. En problemas reales, las principales
dificultades de esta solucion vienen dadas por la cancelacion de ceros y polos estables por el controlador, y el
excesivo esfuerzo de control. Para resolver estos problemas hemos propuesto [TG02] la solucion del problema de
sensibilidad mixta alternativo:
WS I + GK 1
mn
WM K I + GK 1 .
1
En efecto, con esta estrategia el controlador no cancela necesariamente los ceros y polos estables del controlador.
Ademas, desde el punto de vista de la ingeniera se sabe que es mas adecuado considerar en la optimizacion los
esfuerzos de control, que pueden reducirse directamente al a
nadir en la optimizacion un peso sobre la sensibilidad
al control.
44
mn
2 1
1
sujeto a WS1 1 + GWM
2 = 1.
Dise
no del problema de optimizaci
on
El objetivo principal del sistema de control a dise
nar es reducir el efecto de las perturbaciones sobre la salida.
En terminos de se
nales el objetivo puede expresarse como la minimizacion de la desviacion maxima que alcanza
la salida por efecto de las perturbaciones, que es precisamente kSnk . Si el efecto de la perturbacion sobre la
salida viene filtrado por la funcion de transferencia Wd , el problema de dise
no puede expresarse entonces como
el problema de calcular un controlador que minimice kSWd k1 .
Ademas debemos asegurar que la se
nal de control sea razonable. Para ello incluimos en la minimizacion
el efecto de la perturbaci
on sobre la se
nal de control, que vendra determinada por la sensibilidad al control
WS I + GK 1
mn
WM K I + GK 1
Selecci
on de pesos
Observando las componentes en frecuencia del modelo de las perturbaciones se comprueba como, en el sistema
objeto de estudio, las perturbaciones siguen siendo importantes hasta frecuencias cercanas a 0,02 rad/s, afectando
directamente a la salida. Con el fin de reducir las perturbaciones hasta una frecuencia cercana a 0,02 rad/s, sera
necesario que la frecuencia de corte de la sensibilidad estuviera sobre esta frecuencia. Es decir, la funcion de peso
a utilizar para dise
nar S debera tener un cero cerca de esta frecuencia.
El problema que presenta esta eleccion es que esta frecuencia resulta ser superior al ancho de banda del sistema
en lazo abierto. Resulta entonces que el ancho de banda en lazo cerrado debe ser mayor que en lazo abierto, lo
que u
nicamente puede conseguirse haciendo la ganancia del controlador grande entre ambas frecuencias [GL95].
Significara esto que el controlador amplificara las frecuencias comprendidas entre las frecuencias de corte en lazo
abierto y en lazo cerrado. Esto debe hacerse con precaucion para evitar excesivos esfuerzos de control y asegurar
la estabilidad del sistema en lazo cerrado.
Se debe alcanzar entonces una solucion de compromiso entre la frecuencia de corte de S y la amplificacion de
altas frecuencias que presentara M . Esta situacion es difcil de conseguir por metodos clasicos, por lo que un
metodo de dise
no de controladores robustos mediante optimizacion (tal como la optimizacion ` 1 ) es ideal para
resolver el problema. En este caso se puede conseguir estos requerimientos mediante la seleccion adecuada de los
pesos sobre las funciones de transferencia a minimizar.
En este ejemplo en particular, los pesos se han elegido tal como se muestran en la figura II.7. La seleccion
concreta se realizo de la siguiente manera:
45
Pesos seleccionados
10
W1
S
10
10
WM
10
10
10
10
10
Frecuencia (rad/s)
Saturaci
on-lmite en amplitud del actuador
En el sistema de control en cascada que controla el reformador de hidrogeno, se sabe que el flujo de combustible
puede variar respecto al valor nominal como mucho entre 6,89 y +1,51. Significa esto que en condiciones
normales de funcionamiento el sistema de control debe ser capaz de rechazar las perturbaciones sin llegar a
saturarse. Es decir, kuk 1,51, para el conjunto de perturbaciones posibles. Debemos ahora describir estas
posibles perturbaciones. En este caso las perturbaciones se encuentran normalizadas: kdk 1.
En definitiva, se debera cumplir que:
max kuk 1,51.
kdk 1
Se ha visto previamente como este problema puede formularse como una condicion sobre la norma ` 1 de la
funcion de transferencia entre d y u. En este caso la funcion de transferencia de d a u es M G d (con M la
sensibilidad al control):
Gd
M
1,51 1.
1
Gd (1 z 1 )
1.
M
0,168
1
Finalmente, se escoge una funcion de peso sobre la sensibilidad al control W M tal que a cada frecuencia acote
los dos factores multiplicativos de M en las condiciones obtenidas por saturacion y limitacion en la variacion del
actuador. Es decir:
46
|WM |z=ej
Gd
1,51
z=ej
G 1 z 1
0,168
|WM |z=ej
.
z=ej
Ademas, esta funcion de peso se elige de forma que su valor absoluto en el rango de frecuencias bajas y medias
sea lo mas peque
no posible compatible con las restricciones anteriores. A altas frecuencias se disminuye el peso
para permitir aumentar M entre el ancho de banda del sistema en lazo abierto y el ancho de banda del sistema
en lazo cerrado. La amplitud del peso elegido se muestra en la figura II.8, donde el peso elegido corresponde a la
transformada bilineal de:
0,5
WM (s) =
.
(s + 0,01)(s + 0,0001)
Seleccion del peso sobre la sensibilidad al control
10
WM
1
Magnitud
10
10
Amplitud
10
Velocidad
10
10
10
10
10
Frecuencia (rad/s)
C
alculo del controlador
Una vez seleccionado el problema (sensibilidad mixta alternativo) y los pesos a utilizar, se puede resolver el
correspondiente problema de programacion lineal, correspondiente al ejemplo de la seccion (II.5), incluyendo los
pesos. En nuestro caso utilizamos la toolbox de optimizacion en Matlab para el calculo del controlador.
47
El controlador resultante se redujo de orden hasta un controlador de orden 4, con funcion de transferencia:
K=
La respuesta en frecuencia del controlador resultante se compara con la del controlador completo en la figura
II.9. En la figura II.10 se comparan las respuestas salto en lazo cerrado. Puede comprobarse como la aproximacion
realizada es correcta, afectando solo a altas frecuencias y no significativamente a la respuesta salto.
Respuesta en frecuencia del controlador
10
10
control original
10
control reducido
10
10
10
10
10
Frecuencia (rad/s)
1
controlador reducido
0.8
0.6
0.4
0.2
0.2
10
20
30
Tiempo (muestras)
40
50
60
48
estabamos buscando. Ademas, la sensibilidad complementaria no presenta sobrepico, por lo que no lo presentara la
respuesta salto del sistema. El sobrepico que presenta la sensibilidad al control se debe a la necesidad de aumentar
el ancho de banda del sistema en lazo cerrado respecto al de lazo abierto, para poder rechazar las perturbaciones.
Funciones de transferencia caractersticas
10
S=1/(1+KG)
T=KG/(1+KG)
10
10
M=K/(1+KG)
10
10
10
10
10
Frecuencia (rad/s)
49
b=[0;0];
Aeq=[];beq=[];
% restricciones de FACTIBILIDAD: S+GM=I
Apol1=zeros(m+mpol1-1,m); Apol2=zeros(m+mpol2-1,m);
for i=1:m,
Apol1(i:i+mpol1-1,i)=pol1;
Apol2(i:i+mpol2-1,i)=pol2;
end
Aeq= [Aeq
zeros(size(Apol1,1),1) Apol1 -Apol1 Apol2 -Apol2];
beq=[beq
pol3
zeros(size(Apol1,1)-mpol3,1)];
% funcion de coste a minimizar
f=eye(1,4*m+1);
% RESOLUCION DEL PROBLEMA DE PROGRAMACION LINEAL
[phiopt,FVAL,EXITFLAG,OUTPUT,LAMBDA]=linprog(f,A,b,Aeq,beq,zeros(size(f)),...
Inf*ones(size(f)),zeros(size(f))); gamma=phiopt(1);
% C
alculo de la Sensibilidad
optima S=(phi(+)-phi(-))/W1
phi1=phiopt(2:m+1)-phiopt(m+2:2*m+1);
% Eliminaci
on de coeficientes esp
ureos en phi1
while (abs(phi1(length(phi1)))<=tol*max (abs(phi1)))
phi1=phi1(1:length(phi1)-1);
end
nsopt=conv(dw1,phi1);
dsopt=[nw1,zeros(1,length(nsopt)-length(nw1))];
% C
alculo de la Sensibilidad al Control
optima M=(phi(+)-phi(-))/W2
phi2=phiopt(2*m+2:3*m+1)-phiopt(3*m+2:4*m+1);
while (abs(phi2(length(phi2)))<=tol* max(abs(phi2)))
phi2=phi2(1:length(phi2)-1);
end
nmopt=conv(dw2,phi2);
dmopt=[nw2,zeros(1,length(nsopt)-length(nw1))];
% Calculo del Controlador a partir de S y el modelo de la planta G
nkopt=conv(dg,(dsopt-nsopt)); dkopt=conv(ng,nsopt);
while (abs(nkopt(1))<=tol* max(abs(nkopt)) & ...
abs(dkopt(1))<=tol*max(abs(nkopt)))
nkopt=nkopt(2:length(nkopt));
dkopt=dkopt(2:length(dkopt));
end
% cancelaci
on de los ceros/polos interpolados (los inestables)
[nk,dk]=minreal(nkopt,dkopt,5e-3);
% Reducci
on ad-hoc del orden del controlador:
%Controlador
optimo es K=nk/dk; Controlador Reducido es K=nkr/dkr
[mag,f]=freqz(nk,dk,128); nb=6; na=6; ft=1./(0.01+f);
[nkr,dkr]=invfreqz(mag,f,nb,na,ft);
50
Simulaci
on del sistema controlado
Con el fin de comprobar el comportamiento del controlador, se ha programado en Simulink un modelo bastante
realista del proceso. En las simulaciones realizadas se ha comparado el comportamiento que presenta el controlador
dise
nado con el presentado por el sistema real ante las mismas perturbaciones. Para ello, se han ledo los valores
y estructura del PID instalado en la planta y simulado en Simulink. Las perturbaciones se generaron tratando
de representar el espectro de frecuencias encontrado en las perturbaciones reales.
En la figura II.12 se comparan las desviaciones respecto al valor de consigna del sistema controlado por el
PID y del sistema con el controlador dise
nado. Puede comprobarse como las perturbaciones de baja frecuencia
son eficientemente filtradas por el controlador `1 , dando menores desviaciones respecto al valor de consigna. En
efecto, el error maximo de seguimiento se disminuye de 4,4 grados Celsius con el PID hasta 3,1 grados con el
controlador `1 .
Figura II.13.: Se
nal de control del lazo exterior.
51
II.7.
M
etodo de c
alculo basado en LMIs
El problema de dise
no `1 no es posible expresarlo directamente como un conjunto de LMIs. Sin embargo, s es
posible expresar un conjunto de LMIs que se aproximen a la solucion optima, acotando superior e inferiormente
la solucion. Presentamos u
nicamente las ideas generales; los detalles aparecen en [ED98].
Pasos preliminares
Utilizando la parametrizacion de Youla (ver apendice A), podemos convertir el problema de optimizacion ` 1
al siguiente problema de equivalencia de modelos en el parametro de Youla Q:
mn kH U Qk1 .
Q
Para poder plantearlo como un problema LMI, hacemos primero el cambio de variable = H U Q:
mn kk1
Q
sujeto a:
= H U Q.
Ahora descomponemos la respuesta impulsional de en dos fragmentos: 1 , que contendra los N primeros
terminos de la respuesta impulsional, y 2 , que contendra el resto de los terminos de la respuesta impulsional:
1
2
=
=
Si tenemos en cuenta que = H U Q, vamos a ver que parte de las respuestas impulsionales de H, U y Q
afectan a 1 y 2 .
En primer lugar supongamos que las respuestas impulsionales de H y Q son:
H = {h[0], h[1], h[2], ...}
U = {u[0], u[1], u[2], ...}
52
u[0]
0
0
...
u[1] u[0]
0
...
U =
u[2] u[1] u[0] ... (infinitas filas e infinitas columnas).
...
...
... ...
u[0]
0
...
0
u[1]
u[0]
...
0
(N filas y N columnas)
U11 =
...
...
... ...
u[N 1] u[N 2] ... u[0]
u[N ]
u[N 1] ... u[1]
u[N ]
... u[2] (infinitas filas y N columnas)
U21 = u[N + 1]
...
...
... ...
u[0]
0
...
U22 = u[1] u[0] ... (infinitas filas e infinitas columnas)
...
... ...
Puede observarse ademas que U22 = U (que matematicamente viene dado por ser U una matriz de Toeplitz).
Resulta entonces que
1 = H1 U1 Q1
2 = H2 U12 Q1 U Q2 .
M
etodo aproximado
Una vez descompuesto el problema en bloques vamos a plantear un problema de optimizacion que pueda
resolverse utilizando LMIs y que aproxime al problema `1 .
Por ejemplo, puede plantearse el correspondiente problema de optimizacion como la media geometrica de:
La norma `1 de los N primeros terminos de la respuesta impulsional de (que son precisamente los que
estan en 1 )
la norma H2 de los restantes terminos de la respuesta impulsional de (que son los que hemos incluido en
2 ).
53
k1 k1 + k2 k2 .
Esta funcion a optimizar se elige porque, para un N fijo, corresponde a una norma que puede minimizarse
mediante LMIs, y ademas, a medida que se aumenta N la solucion se aproxima a la del problema original. Para
tener una estimacion bastara entonces resolver este problema de optimizacion modificado, aumentando N hasta
converger a una solucion. Como veremos en la proxima seccion, dependiendo de las restricciones consideradas
nos aproximaremos al optimo, bien por arriba, bien por abajo.
Aproximaci
on inferior por LMIs
Una aproximacion inferior puede calcularse utilizando k2 k2 .
mn
Q
k1 k1 + k2 k2
sujeto a: 1 = H1 U1 Q1 ; 2 = H2 U12 Q1 U Q2 .
2
Q1 T
B T Lo B
1
Q1
Aproximaci
on superior
Para obtener una aproximacion superior basta imponer una restriccion adicional al problema utilizado para
la aproximacion inferior, que resulte redundante cuando N sea muy grande, y que ademas no complique el
procedimiento de resolucion.
Por ejemplo, a medida que N va haciendose mas grande Q2 ira tendiendo a 0, por lo que podemos buscar una
solucion imponiendo que Q2 = 0. Es decir:
q
2
2
mn k1 k1 + k2 k2
Q
sujeto a:
1 = H1 U1 Q1 ;
o lo que es lo mismo:
mn
Q
sujeto a:
2 = H2 U12 Q1 U Q2 y Q2 = 0
q
k1 k1 + k2 k2
1 = H1 U1 Q1 ;
2 = H2 U12 Q1 .
Al tener una restriccion adicional este problema de optimizacion, su valor optimo sera mayor. Ademas puede
demostrarse [ED98] que, a medida que N va haciendose mas grande, las aproximaciones, superior e inferior,
convergen (de forma debil).
54
II.8.
En este captulo se han presentado las ideas basicas de la utilizacion de la norma ` 1 como metodo para tratar
sistemas con restricciones sobre la magnitud de se
nales del lazo de control, en particular de la se
nal de control.
En primer lugar se ha mostrado como es posible asegurar la estabilidad de sistemas de control existentes, en
presencia de limitaciones sobre la magnitud de se
nales (asegurando que estas restricciones nunca se alcanzan) o
incertidumbres variantes en el tiempo.
Posteriormente, se ha mostrado un metodo de dise
no de controladores optimos, los cuales aseguran que no
se alcanzan las restricciones impuestas. Las tecnicas presentadas se basan en convertir el problema de dise
no
a un problema de programacion lineal, facilmente resoluble con software comercial. En particular, la tecnica
presentada no utiliza la transformacion intermedia a parametrizacion de Youla, utilizada tradicionalmente para
resolver este tipo de problemas, lo que facilita su resolucion y comprension. Este procedimiento de dise
no se ha
demostrado mediante un ejemplo practico: el control de un reformador de hidrogeno.
Finalmente se ha presentado brevemente como el problema de optimizacion ` 1 puede resolverse tambien de
forma aproximada utilizando las desigualdades matriciales lineales.
55
56
CAPITULO
III
III.1.
Introducci
on
En el primer captulo se dan las herramientas basicas para el analisis de sistemas de control bajo el paradigma
robusto. Dado un controlador es facil evaluar, con las condiciones descritas en ese captulo, si el sistema satisface
condiciones de estabilidad (robusta), desempe
no, etc.
Aunque esas condiciones per se son importantes, lo seran a
un mas si de ellas podemos extraer un controlador,
esto es, si se puede convertirlas en condiciones de sntesis.
El objetivo de este captulo es, precisamente, formular las condiciones de sntesis que nos permitiran extraer
un controlador.
La formulacion basada en programacion semidefinida (desigualdades matriciales lineales), presentada en este libro, se realiza para sistemas con representacion de estados, de all que la primera parte de este captulo
sera consagrada a la sntesis de controladores que sean una realimentacion lineal de todos los estados del sistema,
suponiendo entonces que ellos estan disponibles para su realimentacion.
Cuando esto sucede (todos los estados estan disponibles para su realimentacion) todos los problemas antes
mencionados conocen una solucion conservadora total para sistemas ciertos y con incertidumbre (inciertos). En
la segunda parte de este captulo, se hace la extension de los resultados al caso en el que no todos los estados
esten disponibles para realimentacion. Como veremos, en este caso los resultados tienen un alcance mas limitado.
A continuacion, presentamos los diferentes tipos de estructura de la incertidumbre que consideraremos y el
enfoque bajo el cual se desarrollaran las condiciones de sntesis.
III.2.
Estabilidad cuadr
atica
Consideremos al sistema
x = A(r)x + B(s)u
n
(III.1)
nn
nm
(III.2)
2.
Incertidumbre poliedrica.
F factible}.
Observemos que A es un conjunto convexo elptico con An siempre en el centro del conjunto (figura III.1).
An
Igualmente, notamos que D y E definen la estructura de la incertidumbre, i.e., la forma como ella afecta (entra)
al sistema nominal An .
Incertidumbre poli
edrica
Sea VA = {A1 , A2 , . . . , Ar } un conjunto de matrices de dimensiones n n.
Sea A la incertidumbre poliedrica el conjunto definido por:
A = {A IRnn : A = 1 A1 + . . . + r Ar :
r
X
i=1
i = 1, 1 0}
59
A
1
2
B
2
B
B
Ar
B
1
B
A3
Bs
A
4
C5
C
4
C
1
C
C
III.3.
Consideremos el sistema
x
z
= (An + DF E1 )x + (Bn + DF E2 )u + B1 w
= C1 x
(III.3)
donde x IRn es el vector de estados, u IRm es el vector de control, w IRnw es la perturbacion externa
y z IRnz es el vector de salidas a controlar salida controlable. An y Bn son las matrices (constantes y
conocidas) de dinamica y entrada del sistema, D, E1 y E2 son matrices constantes (y conocidas) de dimensiones
adecuadas, que determinan la forma como la incertidumbre afecta al sistema y F es una matriz de la que solo se
sabe que:
F T F I.
Se desea encontrar una ley de control u = Kx realimentacion lineal de los estados tal que el sistema a lazo
cerrado sea internamente estable y que la norma infinita de la funcion de transferencia entre w y z sea menor
que un escalar positivo , esto es:
kTwz k <
A A y B B
(III.4)
donde
y
A = {A : A = An + DF E1
F T F I}
B = {B : B = Bn + DF E2
F T F I}.
C1 S
I
0
(III.5)
T
E2 R + E 1 S
0
I
60
M
as a
un, una ley de control estabilizante (cuadr
aticamente) est
a dada por:
K = RT S 1 .
Demostraci
on: El sistema III.3 es cuadraticamente estabilizable con atenuacion > 0 de perturbacion si y solo
si existen matrices P > 0 y K tales que
(An + Bn K + DF E1 + DF E2 K)T P + P (An + Bn K + DF E1 + DF E2 K)+
2 P B1 B1T P + C1T C1 < 0
pero ello es equivalente, denominando a E = E1 + E2 K, [Pet87]:
1
(An + Bn K)T P + P (An + Bn K) + P DD T P + E T E + 2 P B1 B1T P + C1T C1 < 0
(III.6)
para alg
un > 0. En su forma dual III.6 toma la forma (S = P 1 y R = SK T ):
1
An S + SATn + RBnT + Bn RT + DDT + SE T ES + 2 B1 B1T + SC1T C1 S < 0.
E2 R T + E 1 S
C1 S
SE1T + RE2T
I
0
SC1T
0 <0
I
(III.7)
(III.8)
Observaci
on III.4 La desigualdad III.8 es lineal (convexa) con respecto a sus inc
ognitas S, R, y aun con
respecto a 2 . Por lo tanto, puede ser resuelta con herramientas est
andar, e.g., el LMI Toolbox de Matlab
[GNL95].
Observaci
on III.5 Si s
olo se impone estabilidad cuadr
atica, la LMI se reduce a las 2 primeras filas y columnas
de III.8.
Observaci
on III.6 Si se trata de sistemas ciertos, la LMI se reduce a la 1ra y 3ra filas y columnas de III.8 con
D = 0.
A continuacion, presentamos la extension del teorema III.1 a los casos de costo garantizado (H 2 ) y de ubicacion
de polos.
Corolario III.1 Definamos el siguiente problema convexo:
mn Tr W
sujeto a
W
SC1T
C1 S
S
>0
(III.9)
SE1T + RE2T
I
<0
(III.10)
Sea W la soluci
on si existe una del problema convexo definido. Existe una ley de control u = Kx tal que
kTwz k2 < 1/2 = Tr W
para toda la familia de sistemas III.3 si y s
olo si existen matrices W y S definidas positivas, una matriz R y un
escalar > 0 tales que el problema de optimizaci
on tiene soluci
on. M
as a
un, la ley de control viene dada por
u = Kx con K = RT S 1 .
61
Observaci
on III.7 Observemos que la cota superior (costo garantizado) es obtenida de un proceso de optimizaci
on, por lo que el conservadurismo introducido no ser
a mayor.
Observaci
on III.8 El bloque (1, 1) de la matriz III.10 asegura, adem
as, la estabilidad interna del sistema a lazo
cerrado.
Observaci
on III.9 Para el caso sin incertidumbre, la segunda condici
on se limitara al termino (1, 1) del III.10.
Pasemos ahora a escribir las condiciones para la ubicacion de polos del sistema en consideracion con un crculo
de la forma III.3.
Im(s)
r
Re(s)
-
Corolario III.2 Existe una ley de control u = Kx tal que el sistema III.3 tiene todos sus polos ubicados en la
figura III.3, para todo A A y B B si y s
olo si existen matrices S > 0 y R y un escalar > 0 tales que:
S
D
>0
DT I
rS + DD T
An SBn RT + I
0
(III.11)
SATn + RBnT + I
rS
SE1T + RE2T < 0
0
E1 S + E 2 R T
I
m
as a
un la ganancia viene dada por K = RT S 1 .
Observaci
on III.10 El conjunto de desigualdades es lineal (convexo) con respecto a sus variables (S, R, ) y
por lo tanto es un conjunto de LMIs.
Observaci
on III.11 La ubicaci
on de polos en circunferencias tales como las descritas tiene sus implicaciones
inmediatas en los sistemas discretos de la forma:
xk+1
uk
=
=
Axk + Buk
Kuk
(III.12)
62
III.4.
Sistemas poli
edricos
(III.13)
donde x IRn es el vector de estados, u IRm es el vector de control, w IRnw es el vector de perturbaciones
externas y z IRnz es el vector de salidas controladas. B1 y C1 son matrices constantes conocidas que determinan
como afecta la perturbacion al sistema y la parte de el que queremos controlar. Las matrices de dinamica y de
entrada A, B son matrices reales no conocidas, que pueden o no ser constantes y de las que solo se conoce
que pertenecen a los conjuntos poliedricos
A A = Co{A1 , A2 , . . . , Ar }
B B = Co{B1 , B2 , . . . , Bs }
donde Co = envolvente convexo (Convex hull).
Evidentemente Ai , i = 1, . . . , r y Bj , j = 1, . . . , s son los vertices de los hiperpoliedros A, B.
Al igual que para los sistemas con incertidumbre acotada en norma, se busca una ley de control, realimentacion
lineal de los estados u = Kx, tal que el sistema a lazo cerrado sea internamente estable y que la norma infinita
de la funcion de transferencia entre w y z sea menor que un escalar positivo , esto es,
kTwz k <
para todo A A y B B. De nuevo, buscamos un controlador que asegure -atenuacion de las perturbaciones.
El siguiente teorema nos da las condiciones de existencia de un tal controlador.
Teorema III.2 El sistema III.13 es cuadr
aticamente estabilizable por una ley de control de realimentaci
on lineal
de los estados (u = Kx), si y s
olo si existen matrices S > 0 y R tales que
(III.15)
(III.16)
(III.17)
63
Observaci
on III.14 El caso sin incertidumbre A = A1 y B = B1 se reduce a aquel que ya obtuvimos
cuando desarrollamos los sistemas con incertidumbre acotada en norma, esto es, una sola LMI en III.17.
Observaci
on III.15 La desigualdad III.17 es lineal (convexa) en S y R.
Observaci
on III.16 Si s
olo se impone estabilidad cuadr
atica, entonces la condici
on se reduce a la primera fila
y columna de III.17 con B1 = 0. Hacemos notar que, adem
as, ese termino asegura la estabilidad interna del
sistema a lazo cerrado.
A continuacion damos las condiciones de existencia de un controlador de realimentacion lineal de los estados
de costo garantizado y luego las del que ubica todos los polos del sistema III.13 en una circunferencia.
Corolario III.3 Definamos el siguiente problema convexo:
mn Tr W
sujeto a:
W
C1 S
>0
SC1T
S
T
T
T
Ai S + SAi + Bj R + RBj + B1 B1T < 0
(III.18)
i = 1, . . . , r j = 1, . . . , s. Sea W la soluci
on si existe una del problema convexo definido. Consideremos
el sistema III.13. Existe una ley de control u = Kx que asegura
kTwz k2 < = Tr W
si y s
olo si existen matrices W, S > 0 y R tales que el problema convexo tiene soluci
on.
Observaci
on III.17 De nuevo, aunque la familia de sistemas es infinita, s
olo es necesario evaluar la condici
on
en un n
umero finito de puntos.
Observaci
on III.18 La condici
on III.18 tambien garantiza la estabilidad cuadr
atica del sistema III.13 y el caso
sin incertidumbre es obtenido haciendo i = 1 y j = 1.
Nos resta escribir las condiciones de ubicacion de polos, por ejemplo en crculos como en la figura III.3.
Corolario III.4 Existe una ley de control u = Kx que ubica todos los polos de cualquier miembro de la familia
de sistemas III.13 en la circunferencia de la figura III.3, si y s
olo si existen matrices S > 0 y R tales que:
rS
Ai S + Bj RT + I
<0
(III.19)
SATi + RBjT + I
rS
i = 1, . . . , r
j = 1, . . . , s.
Observaci
on III.19 Como en los casos anteriores, s
olo hace falta evaluar la condici
on III.19 en los vertices del
sistema.
Observaci
on III.20 Con r = 1 y = 0, III.19 se convierte en la condici
on de estabilidad (cuadr
atica) del
sistema discreto
xk+1 = Axk + Buk
con A A y B B.
64
III.5.
Tratandose de sistemas con incertidumbre, la condicion cuadratica de existencia de una matriz de Lyapunov
P , com
un a todo miembro de la familia incierta, introduce cierto conservadurismo que se ve contrastado con el
hecho de poder calcular un controlador u
nico para todos los sistemas. Sin embargo, la condicion de existencia de
una matrix de Lyapunov com
un puede ser relajada y por ende obtener mejores controladores. En lo que sigue
damos condiciones de estabilidad para sistemas con incertidumbre poliedrica (continuos y discretos), y dejamos
para el lector las extensiones a los casos de ubicacion de polos, H y H2 y los casos con incertidumbre acotada
en norma.
Teorema III.3 [SS01], [Sh01]. Con relaci
on al sistema (III.13), existe una ley de control u(t) = Kx(t) que
estabiliza al sistema en cualquiera de sus representaciones, i.e., A A y B B, si existen matrices definidas
positivas Sq , q = 1, . . . , r s y G, todas en IRnn tales que:
Ai G + GT ATi + Bj R + RT BjT Ai G + Bj R GT + Sq
< 0.
(III.20)
GT ATi G + Sq
G GT
i = 1, . . . , r, y j = 1, . . . , s. M
as a
un, K = RG1 .
Demostraci
on-necesidad: ([DB01]) El sistema (III.13) es estabilizable por una ley de control u(t) = Kx(t) si
existen matrices definidas positivas SA , posiblemente dependientes de A y una ganancia K tales que:
T
(A + BK)SA + SA (A + BK)
< 0 A A yB B
I
0 SA
< 0 A A y B B
=
( I (A + BK) )
T
S
0
(A
+
A
BK)
A + BK
0 SA
( F G )+
+
=
( I (A + BK) )
I
S
0
A
T
I
F
((A + BK)T I)
<0
(A + BK)T
GT
F, G
A A, B TB y cualesquiera
(A + BK)F + F (A + BK)T (A + BK)G F T + SA
< 0.
=
GT (A + BK)T F + SA
G GT
(III.21)
Haciendo F = G, ya que no existe ninguna restriccion en F , definiendo R = KG y observando que las matrices
A y B aparecen linealmente en (III.21), es decir, que la satisfaccion en los vertices garantiza la satisfaccion en
cualquiera de sus combinaciones convexas, queda demostrada la necesidad.
Suficiencia: Si la condicion (III.20) es satisfecha, entonces tambien se cumple para toda A A y B B, de
hecho la matriz (SA ) de Lyapunov asociada a cada a cada par (A, B) no es mas que la combinacion convexa de
las matrices Sq asociadas a los vertices. En consecuencia, si definimos la matriz regular:
I (A + BK)
=
0
I
se cumple que:
(A + BK)G + GT (A + BK)T
GT (A + BK)T G + SA
(A + BK)G GT + SA
G GT
T < 0,
(III.22)
(A + BK)SA + SA (A + BK)T
SA GAT G
SA AGT GT
G GT
< 0,
(III.23)
y el termino (1,1) de (III.23) asegura que K es una ganancia estabilizante y S A la matriz de Lyapunov, i.e., que
la primera de las condiciones de (III.21) es satisfecha
65
Axk + Buk
(III.24)
A A y B B.
(III.25)
I
SA 0
( I (A + BK) )
<0
0
SA
(A + BK)T
y dejamos para el lector tal demostracion.
III.6.
Dise
no por realimentaci
on de la salida
En las secciones anteriores se presentaron resultados para sistemas inciertos incertidumbre acotada en norma
y poliedrica, basados en la realimentacion lineal de todos los estados del sistema.
Muchas veces esos estados no estan fsicamente disponibles para su medicion porque no son medibles o porque
no pueden serlo de manera confiable, y solo una parte de entre ellos puede usarse para control. A estos u
ltimos
los llamaremos salida medible del sistema.
Lo que resta de este captulo sera consagrado a la sntesis de controladores que satisfacen cierto criterio de
desempe
no H , H2 , etc. y que usan solamente la salida medible. Las implicaciones practicas de tal objetivo
son obvias. No tan obvio, sin embargo, es el grado de dificultad que implica la tarea de estimacion de estados
para sistemas con incertidumbre.
De igual manera, trataremos primero sistemas lineales invariantes en el tiempo sin incertidumbre para los
que demostraremos que podemos alcanzar el objetivo propuesto. Para los sistemas con incertidumbre acotada
en norma tambien encontraremos la solucion a traves de la extension del resultado de [Pet87] a sistemas con
realimentacion de la salida pero, desafortunadamente, solo para el caso de estabilidad cuadratica, no pudiendo
extender esos resultados al caso H o H2 . Los sistemas con incertidumbre poliedrica, por el contrario, no conocen
de solucion total ni siquiera en el caso de estabilidad y para ellos solo presentaremos soluciones parciales.
Como en los captulos anteriores, toda la formulacion esta basada en una representacion del sistema en variables
de estado y las soluciones seran formuladas como desigualdades matriciales lineales.
III.7.
Sistemas ciertos
Consideremos al sistema
66
x
y
z
= Ax + Bu + B1 w
= Cx + Dw
= C1 x + D 1 u
(III.26)
donde x IRn es el vector de estados, u IRm es el vector de controles, w IRnw es el vector de perturbaciones
externas que afectan al sistema, z IRnz es el vector de salidas controlables, y IRp es el vector de salidas
medibles.
A, B, B1 , C, C1 y D1 son matrices constantes de dimensiones apropiadas.
Se desea dise
nar un compensador dinamico de la forma:
xc
u
= A c xc + B c y
= C c xc
(III.27)
que asegure que el sistema a lazo cerrado cumpla con ciertas condiciones de desempe
no medidas como una norma
2, infinita, ubicacion de polos.
El controlador escogido es uno estrictamente propio, lo que, sin perdida de generalidad, simplifica considerablemente las demostraciones. La extension al caso propio es solo mas agotadora desde el punto de desarrollo y
demostracion.
En principio, nos planteamos u
nicamente la b
usqueda de controladores estabilizantes para luego extender esos
resultados a los otros casos que hemos venido estudiando, incluyendo a los sistemas discretos.
El siguiente teorema caracteriza los controladores buscados.
Teorema III.4 ([SGC97]) El sistema III.26 puede ser estabilizado por un controlador din
amico de la forma
III.27 si y s
olo si existen matrices simetricas X, Y > 0 y matrices U y V en IR nn soluciones del conjunto de
desigualdades matriciales
AY + Y AT + BCc V T + V CcT B T
<0
T T T
T
AT X
+ XA + U Bc C + C Bc U
(III.28)
Y I
>0
I X
donde = V ATc U T + A + Y AT X + V CcT B T X + Y C T BcT U T .
Demostraci
on: El sistema a lazo cerrado autonomo resultante de aplicar el compensador dinamico III.27
es:
B1
x
A
BCc
x
+
w
=
Bc D
xc
Bc C A c
x e
| {z }
{z
}
|
A
B
(III.29)
x
z = (C1 D1 Cc )
|
{z
} xc
y el sistema es asintoticamente estable si y solo si existe una matriz P > 0 tal que
AT P + P A < 0.
Particionemos ahora la matriz P de la forma:
X U
P =
UT X
P 1 =
(III.30)
Y
VT
V
Y
= I
= 0
= 0
T )1 > X 1 .
= (X U XU
(III.31)
67
Definamos T de la forma:
T =
Y
I
V
0
Sin perdida de generalidad, podemos asumir que V 6= 0 ya que, de tener V autovalores iguales a cero, siempre
podra hacerse una descomposicion en valores singulares de V :
V = Mv Mu
reemplazando por donde se han reemplazado los autovalores en cero por > 0 suficientemente peque
nos,
de modo que
V = Mv Mu
y la nueva matriz P tambien cumplira con la desigualdad III.30 para alg
un suficientemente peque
no [IS94].
Si V 6= 0 entonces T es una matriz regular, i.e., tiene inversa. Si multiplicamos a la derecha de III.30 por T T
y a la izquierda por T , lo cual preserva la desigualdad, obtenemos:
Y
I
V
0
Y
I
V
0
Bc C
|
BCc
Ac
{z
X
UT
+T
VT
Y
VT
I
0
I
0
<0
<0
(III.32)
y = XA
c + ATc X
+ U T BCc + CcT B T U y de donde se obtiene, a
donde = XBCc + U Ac + AT U + CcT B T X
traves de las relaciones III.31, la desigualdad matricial III.28.
Definamos ahora las variables intermedias,
L
Z
= Cc V T ; F = U Bc y M = V ATc U T
= A + Y AT X + Y C T F T + LT B T X,
(III.33)
AY + Y AT + BL + LT B T
< 0.
(III.34)
T
AT X + XA + F C + C T F T
Observaci
on III.21 La desigualdad matricial es lineal convexa con respecto a sus variables X, Y, L, F, y,
de nuevo, herramientas de programaci
on lineal pueden utilizarse para la b
usqueda de su soluci
on.
Observaci
on III.22 Una vez que X, Y, L, F y son calculadas, es f
acil calcular A c , Bc , Cc de la siguiente
forma:
1.
2.
Hagamos Cc = L(V T )1 y
3.
U = (I XY )(V T )1
4.
Bc = U 1 F
68
5.
M =Z
6.
Ac = U 1 M T (V T )1 ,
si V 6= 0 entonces U 6= 0.
Aunque parece que los controladores estabilizantes estan parametrizados por V , ello no es cierto. Si calculamos
la funcion de transferencia del compensador tenemos que:
=
=
=
Tc (s) = Cc (sI Ac )1 Bc
L(V T )1 [sI U 1 M T (V T )1 ]1 U F
L[s(U V T ) M T ]1 F
L[s(I XY ) M T ]1 F
=
=
con lo que queda demostrado que la solucion de III.34 determina totalmente al controlador estabilizante, y la
verdadera parametrizacion esta determinada por la tripleta (, F, L). De hecho, si no existe ninguna restriccion
sobre la estructura de la dinamica del compensador Ac , podemos tomar = 0 recobrando los resultados de
[DGK89] y [GA94].
Pasemos ahora a la aplicacion de los resultados a H2 y sistemas discretos, que surgen de peque
nas extensiones
del resultado previo.
Corolario III.6 ([GPS92], [PSG92]) Consideremos el sistema III.26 para el que deseamos conseguir un controlador de la forma III.27 que asegure:
mn kTwz k2 .
Tal problema tiene soluci
on, si y s
olo si el siguiente problema de optimizaci
on la tiene:
mn Tr W
sujeto a
Y
I
B1T
AY + Y AT + BL + LT B T
T
C1 Y + D 1 L
I
X
B1T X + DT F T
B1
XB1 + F D > 0
W
AT X + XA + F C + C T F T
C1
Y C1T + LT D1T
<0
C1T
I
(III.35)
(III.36)
Para la obtencion del resultado anterior se uso el hecho de que (sea P una matriz definida positiva):
T P B]
: AT P + P A + C T C = 0}
mn kTwz k2 = mn{Tr[B
(III.37)
B,
C definidos en III.29. Ademas, la restriccion de igualdad puede reemplazarse por una de desigualdad
con A,
usando la propiedad de no decrecimiento de la solucion de la ecuacion de Lyapunov.
De esta manera la ecuacion III.37 puede escribirse de la forma:
mn Tr W
sujeto a:
B T P
P B
W
>0
(III.38)
69
AT P + P A C T
C
I
< 0.
(III.39)
Para tener la misma parametrizacion del resultado anterior, debemos multiplicar a la derecha de III.38 y III.39
por
T 0
T =
0 I
y a la izquierda por TT , con P particionada de la misma manera y T como definida anteriormente.
Los parametros del compensador pueden ser extrados de la forma descrita en la observacion III.22.
La extension al caso H es inmediata partiendo de la desigualdad que lo caracteriza
T
C T
A P + P A P B
P
B
I
0 <0
C
0
I
T
T = 0
0
0
I
0
0
0
I
= Axk + Buk + B1 wk
= C 1 xk + D 1 uk
= Cxk + Dwk
(III.40)
donde, igual que en los sistemas continuos, xk , uk , wk , zk , yk son los vectores de estados, controles, perturbacion,
salida controlable y medible respectivamente.
Para los sistemas discretos usaremos la misma particion de la matriz P y P 1 e introduciremos las matrices:
T 0
Y V
=
T =
0 T
I 0
y finalmente, re-definiremos las variables intermedias L = Cc V T , F = U Bc , M = V ATc U T y
Z = Y A T X + Y C T F T + LT B T X
= Z + M;
de nuevo, buscamos compensadores dentro de la familia de los estrictamente propios de la forma
x
k+1
uk
=
=
Ac x
k + B c yk
Cc x
k .
(III.41)
X
T
(AT X + C T F T )T
I
T
Y
I
Y
A
+
LT B T
T
T
A X + CT F T
I
X
A
I
AY + BL
A
Y
70
III.41, si y s
olo si existen
< 0.
(III.42)
La demostracion esta basada en que el sistema a lazo cerrado debe cumplir que:
P AT P
<0
P A P
P tal como fueron descritas en III.29 y III.30, utilizando la particion descrita de P y multiplicando por la
con A,
matriz antes definida.
Observaci
on III.23 Como en los casos anteriores, la soluci
on del problema de factibilidad conlleva la determinaci
on de los par
ametros del compensador estabilizante Ac , Bc , Cc . Igualmente, la extensi
on del resultado a otras
circunferencias con radio r y centrada en es inmediata.
III.8.
Pasemos ahora al estudio de los sistemas con incertidumbre acotada en norma, para los que, en una primera
instancia y para simplificar las demostraciones, solo consideraremos incertidumbre en la matriz de dinamica del
sistema. Igualmente, buscaremos un controlador estabilizante que ademas asegure atenuacion de una perturbacion
externa w en la salida medible del sistema z, medida la atenuacion como la ganancia en la energa.
= (A + DF E)x + B1 w + Bu
= C1 x
= Cx
(III.43)
donde x IRn es el vector de estados, u IRm es el vector de comandos o controles, w IRnw es la perturbacion,
y IRp es la salida medible y z IRnz es la salida a controlar. A, B1 , B y C son matrices constantes reales de
dimensiones apropiadas. D, F, E caracterizan la incertidumbre que puede o no ser variante en el tiempo. Ademas:
F T F I.
El problema planteado es aquel de la determinacion de un compensador dinamico de la forma:
xc
u
= A c xc + B c y
= Cc xc
(III.44)
que estabiliza cuadraticamente el sistema incierto (III.43) con atenuacion > 0 de perturbacion, esto u
ltimo
siendo:
kTwz k < .
El teorema siguiente propone las condiciones necesarias y suficientes de la existencia de un tal compensador
dinamico del tipo (III.44).
Teorema III.5 ([CGP97]) Sea > 0 un escalar dado. El sistema (III.43) es cuadr
aticamente estabilizable con
atenuaci
on por un compensador de la forma (III.44) si y s
olo si existen R 1 , R2 definidas positivas, un escalar
> 0 y matrices P y W definidas positivas tales que las expresiones siguientes se verifican
1)
2)
3)
(III.45)
71
M
as aun, un compensador viene dado por:
Ac
Cc
Bc
donde
=
=
=
(III.46)
1
Q1 = {AT P + P A P BR1 1 B T P + P DD T P + E T E + 2 P B1 B1T P + C1T C1 }.
Demostraci
on-suficiencia: Recordemos que
1
P DDT P + E T E P DF E + E T F T DT P.
x
A + DF E BCc
x
=
xc
Bc C
Ac
xc
haciendo e = x xc ,
x
e
A + DF E BCc
A + DF E BCc Bc C Ac
D
x
F (E
= An +
D
e
donde
An =
A BCc
S 1 CcT B T P DD T P +
S 1 Q1 2 B1 B1T P
BCc
Ac + BCc
0)
x
e
x
e
BCc
A Bc C + S 1 CcT B T P +
DDT P S 1 Q1 + 2 B1 B1T P
D
B1
(B1T
(DT DT ) + 2
ATn Pg + Pg An + Pg
B
D
1
T
T
E
C1
1
(E
0)
+
(C
0)
< 0.
1
0
0
B1T ) Pg +
(III.47)
P
0
Pg =
> 0,
0 W 1 P
el termino a la izquierda de la desigualdad III.47 pasa a ser
Q1
Q1
donde
72
(III.48)
recordando que
{AT P + P A P BR1 1 B T P + P DD T P + 1 E T E + 2 P B1 B1T P + C1T C1 }
Q1 =
y si definimos:
Q1
Q1
Q1
H Q1
Esta matriz es definida negativa si Q1 > 0 y H < 0. En consecuencia, la desigualdad III.47 se satisface si
(A BCc )T P + P (A BCc ) + P DD T P + 1 E T E + 2 P B1 B1T P + C1T C1 < 0
AT W 1 + W 1 A C T BcT S SBc C + W 1 DDT W 1 +
1 T
2
W 1 B1 B1T W 1 + C1T C1 < 0.
E E +
(III.49)
(III.50)
Utilizando argumentos sacados del teorema de Finsler [Pet87], III.49 y III.50 son, respectivamente, equivalentes
a las condiciones 1 y 2 del teorema III.5 con Bc y Cc , las expresiones clasicas de las ganancias de control y de
filtraje.
Necesidad: Sea
A =
A
Bc C
BCc
Ac
B1 =
B1 B1T
0
DF E
x
=
A +
0
xc
y = (C1 0)
0
0
0
0
C1 =
x
xc
C1T C1
0
B1
0
0
0
(III.51)
P1 P2
W1 W2
1
>0
=P =
W =
P2 T P3
W2 T W3
tales que
AT P + P A + P
DF E
0
0
0
D
AT P + P A + P
(DT
0
E T F T DT
0
0)P +
ET
0
0
0
= P 1 ,
si multiplicamos III.53 a ambos lados por W
1
D
E
T
W A + AW + W
(DT
(E 0)W +
0
0
P + 2 P B1 P + C1 < 0.
(E
0) + 2 P B1 P + C1 < 0,
C1 W
< 0.
0) + 2 B1 + W
(III.52)
(III.53)
(III.54)
=
Extrayendo los terminos superior izquierdo de las matrices III.53 y III.54, colocando P = W1 1 > 0 y W
P1 1 > 0 y utilizando el teorema de Finsler, recobramos la primera y segunda condicion del teorema III.5 en P
. Ahora bien, seg
yW
un el lema de inversion de matrices [AM89], tenemos que:
P1 W1 1 = P2 P3 1 P2 T 0
1 P 0. Esta u
y por lo tanto W
ltima desigualdad puede ser satisfecha estrictamente. De hecho, seg
un el lema
, ellas lo seran igualmente
2 de [SMN90], si las condiciones (1) y (2) del teorema III.5 son satisfechas en P y W
y P < P .
para las matrices W < W
73
Observaci
on III.24 Las condiciones enunciadas en el teorema III.5 no nos proveen de un medio de c
alculo
para la determinaci
on del compensador dado en III.46. Sin embargo, podemos notar que la primera condici
on es
convexa con respecto a (P 1 , R11 , ) o, igualmente, con respecto a (1 P 1 , R11 , 1 ). La segunda es convexa
con respecto a (W 1 , R21 , 1 ) o con respecto a (W 1 , R21 , ). La u
ltima es convexa con respecto a (W 1 ,
1
P ). Desgraciadamente, el conjunto de las 3 desigualdades no forma una representaci
on convexa y otros
metodos, como por ejemplo [Gar93] [GSK94] o [IS95], que toman en cuenta la naturaleza particular (convexidad
con respecto a y 1 ) de este problema, deben ser utilizados.
Observaci
on III.25 Una condici
on necesaria y suficiente puede encontrase tambien en el trabajo [XFS92], pero
bajo la hip
otesis de que el compensador din
amico es dado.
Observaci
on III.26 Para la demostraci
on del teorema III.5, nos hemos alejado un poco de las LMIs, y hemos
seguido un enfoque m
as bien constructivo, siguiendo la demostraci
on original de [CGP97]. Igual comentario se
aplica a la forma del compensador III.44 en el que se introdujo un signo (-).
Las condiciones III.45 del teorema III.5 tambien pueden escribirse bajo la forma de LMIs, las cuales recogemos
en el siguiente corolario (con X = P 1 y Y = W 1 ):
T
A Y + Y A + C T R21 C + 1 E T E + C1T C1
YD
Y B1
(III.55)
2)
DT
1 I
0 <0
T
2
B1 Y
0
I
Y I
> 0.
3)
I X
Observamos que la convexidad del conjunto de matrices se pierde a causa del escalar .
Finalmente, en el caso de que solamente se desee asegurar la estabilidad cuadratica del sistema, las dos
primeras condiciones de III.55 se reducen a las dos primeras filas y columnas de las LMIs respectivas. Hay que
se
nalar que en este caso es facil eliminar de las variables multiplicando la primera LMI por
1/2
I 0
0
I
a ambos lados del lado izquierdo de la desigualdad y luego por
I
0
0 1/2
y la segunda por
y luego por
74
0
I
1/2
1/2 I
0
I
0
X
y Y = Y
Ejemplo
En esta seccion presentamos un ejemplo tomado de [HF93] ligeramente modificado para incluir los requisitos
H que impondremos al problema.
El sistema considerado es:
1 1
2
x =
+
k(4
0 2 2
1
0
u+
3
1
y = (3 1)x
z = (1 0)x;
1) x+
169,9767
43,4919
Ac =
598,2483 161,0055
7,8010
Bc =
Cc = (148,9342 37,3479).
51,6630
La respuesta al escalon unitario en la perturbacion w se muestra en la figura III.4 para valores de k =
1, 1, 0, 0,5, 0,5. En la figura III.5 se muestra una ubicacion de los polos del sistema para una discretizacion
uniforme del intervalo de la incertidumbre.
Los resultados obtenidos son equivalentes a aquellos para sistemas con incertidumbre estructurada en 2 bloques.
Otros resultados para un n
umero mayor de bloques pueden encontrarse en [CH95].
La extension a incertidumbre en otras matrices del sistema podemos encontrarla en [GCG97].
Sistemas discretos
En esta seccion derivaremos condiciones para la existencia de controladores H 2 en sistemas lineales discretos,
con incertidumbre acotada en norma. El problema sera formulado como una coleccion de desigualdades matriciales
lineales donde, de nuevo, encontraremos la similitud con problemas con incertidumbre estructurada en 2 bloques.
Los resultados estaran basados en el resultado [SGC97], en el que se introduce un elegante cambio en las variables
del controlador de hecho un cambio matricial de variables.
Consideraremos los sistemas lineales discretos:
xt+1
yt
zt
=
=
=
(A + DF E1 )xt + (B + DF E2 )ut + B1 wt
Cxt
C1 xt + D12 ut
(III.56)
75
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
0
0.5
1.5
2.5
3.5
4.5
0.4
0.2
0.2
0.4
0.6
2.8
2.6
2.4
2.2
1.8
1.6
1.4
1.2
0.8
donde xt IRn , ut IRm y yt IRp son respectivamente los vectores de estado, el control y la salida medible.
wt IRnw es la perturbacion externa y zt IRnz es la salida controlable. Todas las matrices tienen dimensiones
apropiadas. F IRnD nE representa la incertidumbre acotada en norma [Pet87] y que pertenece a:
F = {F IRnD nE : FT F I}.
Buscamos un controlador (del tipo observador) de la forma:
x
t+1
ut
=
=
Ac x
t + B c yt
Cc x
t
(III.57)
de manera que, cuando el lazo es cerrado con (III.57), la norma H2 de la funcion de transferencia desde w a z
F F
76
Todos los resultados que presentaremos pueden ser extendidos a la ubicacion de polos en discos centrados en
alg
un escalar real con radios r. Ademas, todas las matrices asociadas con la salida medible y t pueden incluir
incertidumbre (con algunas condiciones sobre la forma como afectan al sistema matrices D y F ). Igualmente
pueden ser considerados controladores no estrictamente propios. Hemos escogido la estructura del sistema y la
del controlador como en (III.56) y (III.57) para mantener las demostraciones mucho mas simples.
Cuando aplicamos el control (III.57) para cerrar el lazo, obtenemos:
B1
D
xt
xt+1
A
BCc
wt
+
+
F (E1 E2 Cc )
=
0
0
x
t
x
t+1
Bc C A c
|
{z
}
{z
} | {z }
{z
}
{z
}
|
|
1
A
B
D
xt
zt = (C1 D12 Cc )
t
|
{z
} x
(III.58)
1
C
o agrupando terminos:
x
t+1
zt
=
=
E)
xt + B
1 wt
(A + DF
C1 x
t
(III.59)
Nuestra solucion del problema esta basada en el concepto de disco-estabilidad cuadratica, cuya definicion es:
Definici
on III.3 ([GB95]) El sistema (III.59) es cuadr
aticamente disco estabilizable (d estabilizable), si
existe una matriz simetrica definida negativa P > 0 tal que:
E)
T P (A + DF
E)
P <0
(A + DF
F F.
El costo H2 garantizado viene dado por:
Definici
on III.4 ([GGB94]) Sea {Ac , Bc , Cc } un controlador dado que destabiliza cuadr
aticamente a (III.59).
Entonces, el sistema (III.59) tiene un costo > 0, H2 garantizado si:
kTwz k22
F F
= el operador de retardo.
1 )
T Lo (F )B
kTwz k22 = Traza(B
1
E)
T Lo (F )(A + DF
E)
Lo (F ) + C T C1 = 0.
(A + DF
1
(III.60)
El siguiente teorema nos aporta condiciones equivalentes ciertas de la existencia de lmites superiores de la
norma H2 de sistema (III.59).
Teorema III.6 ([GB95]) El sistema(III.59) es cuadr
aticamente destable si existe una matriz simetrica P > 0
y un escalar > 0 tal que
D
T )1 A P + 1 E
T E
+ C1T C1 . < 0
AT (P 1 D
| {z }
(III.61)
77
Observaci
on III.27 En [GB95] el resultado es formulado en terminos de una matriz Q que puede ser escogida
+ cualquier
arbitrariamente y de una ecuaci
on discreta de Riccati. Con una selecci
on apropiada de Q (e.g., = Q
matriz definida positiva peque
na) se obtiene (III.61).
El lmite superior de la norma H2 es funcion de la solucion P de la desigualdad de Riccati (III.61).
De hecho, la satisfaccion de (III.61) es equivalente a [GB95]:
E)
T P (A + DF
E)
P + C T C1 < 0
(A + DF
1
(III.62)
1
1
P
B
>0 y
(III.63)
T I
B
1
D
T
P 1 + D
A
<0
(III.64)
T E
+ C T C1
AT
P + 1 E
1
implica que:
kTwz k22
F F.
Con estos resultados previos, podemos presentar el resultado principal de esta seccion.
A continuacion presentaremos condiciones necesarias y suficientes de existencia de un controlador cuadratico
d estabilizante con costo H2 garantizado.
Para facilitar la presentacion del resultado principal, introduciremos manipulaciones elementales de los resultados previos.
Lema III.1 La desigualdad (III.64) es satisfecha si y s
olo si existe una matriz simetrica, definida positiva S tal
que:
D
T
AS
S + D
(III.65)
T ES
+ S C T C1 S . < 0
S AT
S + S E
1
Demostraci
on: Pre y post multiplicando el lado izquierdo de la desigualdad (III.64) por la matriz regular
simetrica:
I
0
0 P 1
y definiendo S = 1 P 1 , obtenemos (III.65).
1
S
B
> 0.
T I
B
1
(III.66)
Lema III.2 Sea T cualquier matriz regular de dimensiones apropiadas, entonces la desigualdad (III.65) se satisface si y s
olo si existe una matriz simetrica, positiva definida S tal que:
T
I
0
EST
0
0
0
1 I C1 ST T
0
0
T
T SE
T T ST T T S AT T T
(III.67)
T
S
C
0
1
< 0.
T T ST T T D
0
0
T AST
TTT
0
0
0
D
I
78
Demostraci
on: (III.67) se obtiene pre y post multiplicando el lado izquierdo de la desigualdad (III.65) por la
matriz regular:
T 0
0 T
y su transpuesta respectivamente, y luego aplicando el teorema del complemento de Schur para expandir las
dimensiones de la matriz.
Lema III.3 Sea T una matriz regular cualquiera de dimensiones apropiadas, entonces la desigualdad (III.66) se
satisface si y s
olo si existe una matriz definida positiva S tal que:
T ST T T B1
< 0.
(III.68)
B1T T T I
Demostraci
on: (III.68) se obtiene al pre y post multiplicar el lado izquierdo de (III.66) por la matriz regular:
T 0
0 I
y su transpuesta respectivamente.
Presentamos ahora el resultado principal de esta seccion:
Teorema III.7 ([CP99]) El sistema(III.59) es cuadr
aticamente d estable con costo H 2 > 0 garantizado,
si y s
olo si existen matrices X y Y simetricas, definidas positivas y matrices H, L, Z y un escalar > 0 tal que
el siguiente conjunto de desigualdades matriciales lineales tiene soluci
on:
Y
I
Y B1
I
X
B1 > 0 y
(III.69)
T
T
B1 Y B 1
I
I
0
E 1 E1 X + E 2 L
0
0
0
? 1 I C1 C1 X + D12 L
0
0
0
T
T
T
T
?
?
Y
I
A Y +C H
A
0
?
?
?
X
Z
XAT + LT B T
0
(III.70)
< 0.
?
?
?
?
Y
I
Y
D
?
?
?
?
?
X
D
?
?
?
?
?
?
I
M
as a
un, un controlador de costo H2 garantizado viene dado por:
Bc
Cc
Ac
=
=
=
V 1 H
L(U T )1
V 1 (Z T Y AX HCX Y BL)(U T )1
X U
Y
1
S=
S
=
P
=
UT X
VT
y definimos a la matriz:
T =
Y
I
V
0
forma:
V
Y
79
donde podemos suponer, sin perdida de generalidad, que la matriz V es una matriz regular [SGC97].
Obtenemos los resultados de (III.69) y (III.70) con esta seleccion de la matriz T en (III.67) y definiendo:
H = V Bc ; L = Cc U T ; Z = (Y AX + HCX + Y BL + V Ac U T )T
el conjunto de desigualdades matriciales lineales (III.69) y (III.70) aseguran d estabilidad con desempe
no del
sistema asegurado a traves del costo H2 garantizado del sistema (III.59).
Ejemplo
En esta seccion presentamos un ejemplo numerico tomado de Huei & Fong [HF93], ligeramente modificado.
El sistema que consideramos es:
xt+1
yt
zt
=
=
1,00 1,20
0,10 0,15
1,2
1,5
xt
0 1 xt + u t .
0,1
0,2
xt +
1
0
ut +
0
0,1
wt
(III.71)
Colocando = = 1, la solucion al conjunto de desigualdades matriciales (III.69) y (III.70) viene dada por:
0,8229 0,2671
3,5096 1,5866
X=
; Y =
; y
0,2671 0,3179
1,5866 23,9678
L=
0,3194
0,0178
Z=
0,0765
0,3870
0,0598
0,1364
H=
2,4053
2,9949
Con este conjunto de valores y simplemente escogiendo V como la matriz identidad, obtenemos para el controlador:
x
t+1
ut
0,9017 0,0642
2,4053
x
t +
yt
2,9949
0,4275 0,0008
0,4616 0,0970 x
t .
Resulta sencillo construir una matriz de Lyapunov P para el sistema de lazo cerrado, como una funcion de
X, Y y V o U .
III.9.
En esta seccion nos interesaremos particularmente en los sistemas con incertidumbre poliedrica. Buscamos
soluciones que se basen en la realimentacion de la salida del sistema. En un primer momento, buscamos un
controlador que asegure la estabilidad del sistema, para luego avanzar en las especificaciones del controlador.
El problema de los sistemas con incertidumbre poliedrica es la ausencia de un sistema nominal, lo que lo
diferencia del caso con incertidumbre acotada en norma en el que el enfoque de generar un controlador dinamico,
basado en un observador del sistema con los elementos nominales ligeramente compensados en funcion de la
incertidumbre, es inmediato y a de partir dichos elementos se construye una condicion suficiente.
80
Para solventar este problema, proponemos en esta seccion un enfoque iterativo para determinar un dominio
de incertidumbre politopico lo mas grande posible alrededor de un sistema inicial fijo, proporcionandonos de
esta manera con una especie de sistema nominal de arranque. En cierta forma estamos evaluando un margen de
robustez en el sentido definido en [Bar94] y [MZ89].
La estrategia que utilizaremos se basa en una condicion necesaria, a saber: si un sistema es cuadraticamente
estabilizable y detectable esta u
ltima nocion dual del concepto de estabilidad cuadratica siempre existe una
cierta vecindad alrededor de no importa que punto (modelo) dentro del dominio incierto que podra estabilizarse
con un compensador dinamico del tipo observador de Luenberger [ORe83].
Esta vecindad puede ser y lo sera en nuestro enfoque definida a traves de una matriz de Lyapunov del tipo
diagonal, la cual servira, de manera clasica en el enfoque cuadratico, igualmente para la sntesis del controlador
y viceversa.
El algoritmo que desarrollaremos se basa en la tecnica de iteraciones D-K [MZ89], en el que explotaremos
la naturaleza biconvexa con respecto a la matriz de Lyapunov y con respecto al controlador.
En el enfoque que vamos a presentar se puede incluir incertidumbre en todas las matrices del sistema, esto es,
las matrices de dinamica, entrada y salida.
(III.72)
donde x, u, y son respectivamente los vectores de estado, de control y de salida medible del sistema perteneciendo
a IRn , IRm y IRp respectivamente. Las matrices A, B, C son matrices no conocidas que pertenecen a los conjuntos:
A A = {An + A : kA k 1 }
B B = {Bn + B : kB k 2 }
C C = {Cn + C : kC k 3 }
(III.73)
donde k k es una norma matricial cualquiera. Para la demostracion de la estabilizabilidad local supondremos que
el sistema (III.72) es estabilizable y detectable. La definicion de detectabilidad cuadratica es dual de la estabilidad
cuadratica y concierne al par (C T , AT ). As, la detectabilidad cuadratica del par (C T , AT ) esta definida por la
existencia de una matriz de Lyapunov u
nica W = W T > 0 y de una ganancia L, de manera que:
(A LC)T W + W (A LC) < 0.
Recordemos que la estabilidad cuadratica esta determinada por la existencia de P = P T > 0 y K tales que
(A BK)P + P (A BK)T < 0
para todo el dominio de la incertidumbre.
Consideremos ahora un observador de Luenberger [ORe83] para el sistema III.72 nominal
z
u
= An z + Bn u + L(y Cn z)
= Kz
(III.74)
(III.75)
81
x
A BK
BK
x
=
e
An LCn + B K
e
(III.76)
donde, de acuerdo con nuestra hipotesis de estabilidad y detectabilidad, las ganancias L y K son tales que existen
matrices P > 0 y W > 0 tales que
FS (P, A, B) = (A BK)T P + P (A BK) < 0;
FO (W, A, C, ) = (A LC)T W + W (A LC) < 0;
Notamos que > 1,
A, B A, B
A, C A, C.
(III.77)
(III.78)
P 0
Pg =
0 W
por lo tanto
(x
T
A BK
BK
e )
Pg
An LCn B K
A BK
BK
x
< 0,
+Pg
An LCn B K
e
T
(III.79)
(III.80)
(III.81)
y entonces
teniendo ademas que:
2eT {K T B T P }x xT x + eT K T B T P P BKe
(III.82)
}x xT x + eT W
T W
e
2eT {W
(III.83)
(III.84)
Pero dado que el sistema es estabilizable y detectable cuadraticamente, siempre existen > 0, > 0 y m > 0
tales que
(A BK)T P + P (A BK) + 2I < 0
y
(An LCn )T W + W (An LCn ) + 2 K T B T P P BK+
(III.85)
m ( 2 W W + W B K + K T B T W ) < 0.
82
Esta afirmacion se basa en el hecho de que las incertidumbre son acotadas y, por ende, los terminos en el u
ltimo de
los parentesis son igualmente acotados. As, el sistema es cuadraticamente estable en una vecindad de la tripleta
nominal (An , Bn , Cn ) definida por:
kAk m 1 ;
kBk m 2 ;
kCk m 3 .
Corolario III.9 Dado que en el caso de los sistemas lineales precisamente conocidos la desigualdad (III.85)
siempre se satisface, para alg
un > 0 y > 0, entonces esos sistemas siempre admiten como matriz de Lyapunov
una matriz de la forma
P
0
>0
(III.86)
Pg =
0 W
en la representaci
on en (xT eT )T , y donde P y W son las matrices que estabilizan y detectan cuadr
aticamente
al sistema.
Podemos igualmente demostrar que otras matrices diagonales en bloques son tambien posibles matrices de
Lyapunov del sistema cierto, por ejemplo:
P
0
>0
0 W 1 P
para suficientemente peque
no. Como antes, W y P son las matrices que estabilizan y que detectan al
sistema.
Hacemos enfasis en el hecho de que Pg es una matriz de Lyapunov en una cierta vecindad alrededor del sistema
conocido (A, B, C), y que lo sera para el sistema a lazo cerrado con un compensador como el de (III.74). Esto
es, el compensador no estabilizara u
nicamente al sistema conocido sino tambien en una vecindad alrededor de
(A, B, C).
Basandonos en esta constatacion vamos a presentar, en lo que sigue, una estrategia que explota la naturaleza
convexa del problema poliedrico cuando se fija una de las variables desconocidas. La estrategia busca un maximo
local de la incertidumbre que puede efectivamente ser estabilizada.
83
donde x IRn , u IRm e y IRp representan, respectivamente, los vectores de estado, control y salida medible.
A A, B B y C C donde A, B, C son subconjuntos poliedricos no vacos de IR nn , IRnm y IRpn respectivamente. Los vertices de esos poliedros son {A1 , A2 , . . . , Ar }, {B 1 , B 2 , . . . , B s } y {C 1 , C 2 , . . . , C t }. D esta definido
como el poliedro en el que los vertices son todas las combinaciones posibles de la tripleta (A j , B k , C l ) con
j = 1, . . . , r, k = 1, . . . , s, l = 1, . . . , t. Para simplificar la notacion, indexaremos los vertices con i = 1, . . . , q,
q = rst y en consecuencia D es el envoltorio convexo (Convex Hull Co) de las tripletas (A i , Bi , Ci ), es decir
D = Co{(Ai , Bi , Ci ), i = 1, . . . , q}.
Sea (Ac , Bc , Cc ) un punto cualquiera en D y finalmente definimos al subconjunto (, ) de D como
(D, ) = Co {((1 )(Ac , Bc , Cc ) + (Ai , Bi , Ci )) i = 1, . . . , q}
0 1.
(III.87)
Claramente, tenemos
(D, 0) = (Ac , Bc , Cc )
(D, 1) = D.
max
tal que el sistema
x = Ax + Bu
y = Cx
z = F z + Gy
u = Kz
(III.88)
es cuadraticamente estable para todo (A, B, C) (D, ), esto es, encontraremos matrices F IR nn , G IRnp
y K IRmn que estabilizan el subconjunto maximo de D (y que medimos en este caso con la ayuda de ).
El sistema III.88 puede ser escrito en funcion de las variables
x
x
=
e
donde e = x z, de la forma
donde
A =
A
A
0
0
(III.89)
F C)
x
= (A + B
=
B
0
I
B
B
C =
(III.90)
I
C
I
0
F =
F
K
G
0
(III.91)
Por lo tanto el sistema es cuadraticamente estabilizable si y solamente si existen matrices W > 0 y F tales que
F C)
T W + W (A + B
F C)
<0
H(F , W ) = (A + B
(III.92)
B,
C)
(D,
). D
definido como el poliedro
x IR2n y (A,
= Co {(Ai , B
i , Ci ), i = 1, . . . , q}
D
0 Bi
Ai 0
i =
B
Ai =
Ai 0
I Bi
Ci =
I
Ci
I
0
(III.93)
.
Resaltamos que la funcion H(F , W ) es biconvexa en F y W es decir, convexa con respecto a una de las dos
B,
C)
(D,
),
matrices una vez que la otra es fijada. Ademas, notamos que (A,
F C)
T W + W (A + B
F C)
=
(A + B
q
X
i F Ci )T W + W (Ai + B
i F Ci )]
i [(Ai + B
(III.94)
i=1
donde i 0 y
q
X
i = 1. Es, por lo tanto, suficiente (y necesario) que la condicion (III.92) sea satisfecha en los
i=1
i , Ci ), i = 1, . . . , q.
vertices (Ai , B
84
Dada la convexidad del problema respecto a una de las variables (W o F ) cuando la otra se fija, el enfoque que
utilizaremos para determinar el domino maximo sera escoger un y una de las variables (por ejemplo W ) y luego
calcular la otra (F ) si es que ella existe y verifica (III.92). Al obtener una solucion, aumentamos y repetimos
el procedimiento, e.g. fijamos F y calculamos una nueva matriz W . El proceso continua hasta el momento en
el que cualquier incremento de no permite calcular la variable que no hemos fijado, esto es, que el problema
convexo resultante al fijar una de las variables no tiene solucion. En ese momento tendremos un maximo local y
un controlador que estabiliza F ese maximo de incertidumbre [CGP96], [CGH95].
En este momento ya podemos exponer el algoritmo de calculo del controlador y el margen de robustez. Como se
ha dicho, la estrategia calcula un compensador o una matriz de Lyapunov usando los algoritmos a continuacion.
C
alculo de la din
amica del compensador
i , Ci ), i = 1, . . . , q y que una matriz de
Paso 0: Consideremos que los vertices de la region incierta (Ai , B
Lyapunov W son dados y sea
i F Ci )T W + W (Ai + B
i F Ci ).
Hi (F ) = (Ai + B
(III.95)
Mas a
un, sea fij el elemento ij i-esimo de la matriz F que puede efectivamente ser diferente de cero.
Finalmente, sea k = 0, F0 una matriz inicial por ejemplo, nula y 0 un subconjunto de IR(n+m)(n+p)
compacto y suficientemente grande (de tal manera que F0 0 ).
Paso 1: Calcular el autovalor maximo
kmax = max {max (Hi (Fk )), i = 1, . . . , q}.
(III.96)
C
alculo de la matriz de Lyapunov
i , Ci ), i = 1, . . . , q y un controlador
Paso 0: Consideremos que los vertices de la region incierta (Ai , B
dinamico F son dados y sea
i F Ci )T W + W (Ai + B
i F Ci ), i = 1, . . . , q
Hi (W ) = (Ai + B
Hq+1 (W ) = W.
(III.97)
Mas a
un, sea k = 0, W0 la matriz identidad y 0 un subconjunto compacto de IR2n2n suficientemente
grande, tal que W0 0 .
Paso 1: Calcular el autovalor maximo
kmax = max {max (Hi (W )), i = 1, . . . , q + 1}.
(III.98)
85
(III.99)
P
0
(III.100)
0 W 1 P
para todo k para una cierta k > 0.
En ambos casos disponemos de valores que nos permiten inicializar los procedimientos de calculo.
La estrategia propuesta en III.9 puede igualmente utilizarse para determinar el margen de robustez de un
controlador dado de un sistema. Este topico ha sido tambien estudiado por un n
umero de autores [Yed86],
[YL86], [Soh94], [HL93] siendo las cotas superiores de la incertidumbre dada. La estrategia presentada en III.9
calcula el lmite de robustez (cuadratica) de tal compensador.
Hay que se
nalar que el enfoque numerico precedente no impone de ninguna manera la restriccion de diagonalidad en bloques de la matriz de Lyapunov, y esta forma se utiliza u
nicamente para demostrar que la estabilidad en
una cierta vecindad es verificada. Por otra parte, esta forma diagonal es u
til para la inicializacion del algoritmo.
En fin, con respecto a la implementacion numerica del algoritmo, el enfoque general propuesto ha sido ilustrado usando tecnicas de hiperplanos de corte y programacion lineal, y debe remarcarse que tal enfoque puede
igualmente ser realizado utilizando LMIs y tecnicas de punto interior.
86
(III.101)
El algoritmo genera un problema de optimizacion (minimizacion) en conjuntos en los que la talla se reduce
y que son todos incluidos en el precedente; por ejemplo, lo que implica la existencia de un punto lmite si
el conjunto inicial no esta vaco [Hof81].
En la iteracion k se a
nade la restriccion
vk T H k (.)vk
(III.102)
(III.103)
donde Sl = Wl o Fl en funcion del problema que estemos resolviendo en la iteracion l. (III.103) se puede
escribir
kmax (Sk ) vk T H k (Sl Sk )vk .
(III.104)
Dada la existencia de un punto lmite,
lm vk T H k (Sl Sk )vk = 0
(III.105)
kmax (S) .
(III.106)
l,k
P1 P2
> 0,
P =
P2 T P3
tal que:
A
GC
BK
F
P1
P2 T
P2
P3
P1
P2 T
P2
P3
A
GC
BK
F
<0
(III.107)
(A, B, C) D. En consecuencia, el bloque (1,1) de la desigualdad (III.107) debe igualmente ser definido negativo,
i.e.,
AT P1 + P1 A + P2 GC + C T GT P2 T < 0,
87
F C)
T < 0 (A + B
F C)
T P + P (A + B
F C)
<0
(A + B
+ W (A + B
donde P = W 1 . Por lo que tambien se debe cumplir que:
A
GC
BK
F
W1
W2T
W2
W3
W1
W2T
W2
W3
A
GC
BK
F
<0
Ejemplos num
ericos
x = Ax + Bu
y = Cx.
(III.108)
En todos los casos iniciamos el proceso iterativo con un compensador dinamico que estabiliza el sistema sin
incertidumbre.
Primer ejemplo
Consideremos al sistema tomado de [CPM94] con 4 parametros inciertos, a saber q 1 , q2 , q3 y q4 .
q3 + 0,01q4
0,1q4 0,1q4
1 + q3
1
1 B=
1 + q3
2 + q2
1
T
2 + 0,003q4
C = 1 + 0,001q4 .
1 + 0,001q4
1 + q1 + 0,3q4
1 q1
A=
4 q 1 + q2
Para 0,3 q1 , q2 0,3, 0,66 q3 , q4 0,66. El algoritmo converge en las matrices siguientes:
9,4837
F = 17,6611
10,5445
17,6611
8,2820
14,3579 17,2162
7,8590 11,1210
T
10,0238
K = 14,0324
9,8226
5,4260
G = 17,2915
9,6483
y el autovalor maximo sobre el conjunto de todos los vertices es: 0,0014. El lugar de las races para una
discretizacion de la incertidumbre se muestra en la figura III.6:
88
10
8
6
4
2
0
2
4
6
8
10
18
16
14
12
10
Figura III.6.: Lugar de los polos para 0,3 q1 , q2 0,3 y 0,66 q3 , q4 0,66.
Segundo ejemplo
Se trata de un sistema presentado en [HF93] con un solo parametro incierto k, constituido por las matrices
T
1 + 5k 1 2k
1+k
3k
A=
B=
C=
.
8k
2 + 3k
3
1+k
Con |k| 1,145, el algoritmo converge a las matrices
5,4819
5,0269
5,4708
F =
G=
5,2405 5,4819
5,4819
F =
2,0472
1,0203
y el autovalor maximo sobre el conjunto de vertices es 0,0104. El lugar de las races del sistema a lazo cerrado
para una discretizacion del rango de la incertidumbre se muestra en la figura III.7.
15
10
10
15
14
12
10
Figura III.7.: Lugar de las races de una discretizacion del rango de incertidumbre.
Aplicaciones practicas del esquema presentado, especficamente al control del pH y de procesos de neutralizacion, pueden encontrarse en [CGP98] y [PCG97].
89
90
CAPITULO
IV
IV.1.
Introducci
on
En la u
ltima decada la teora de control robusto ha experimentado avances considerables, alcanzando un
elevado grado de madurez [MZ89], [Bar94]. La teora es particularmente atractiva, ya que, como hemos mostrado
en captulos anteriores, permite considerar de manera explcita los elementos desconocidos que afectan al lazo
de control, esto es, perturbaciones externas y/o imperfecciones de modelado, que en adelante denominaremos
incertidumbre.
Sin embargo, y a pesar de lo poderosa que puede resultar esta teora para la sntesis de controladores, son muy
pocas las aplicaciones industriales que funcionan actualmente. La razon es que, en la mayora de los casos, los
controladores robustos calculados son de orden elevado y poseen estructuras difciles de implementar o manipular
por el operador. En contraste, el muy conocido controlador proporcional, integral, derivativo (PID), se ha convertido en el estandar de facto para el control de lazos de una entrada y una salida (SISO), siendo sumamente
familiar su manipulacion (entonamiento) para los tecnicos de control y operadores del sistema [Ast02]. Aparte
de su versatilidad y amplio espectro de uso que va desde aplicaciones en procesos qumicos hasta la avionica y
aeronautica [GCS01], este controlador incorpora elementos atractivos en el lazo de control como son: robustez,
eliminacion de error y perturbacion estacionaria. El ajuste de sus tres parametros, sin embargo, no es transparente
y ha sido objeto numerosos estudios ([ZN42],[AH95], [RMS86], [Sko03], [HHC95]).
En este captulo se proponen dos metodologas para la sintonizacion (entonacion) de controladores PID. La
primera se basa en un peque
no cambio en las variables de estado, incorporando la integral de la salida como una
de ellas, y en un esquema iterativo, denominado ILMI que explota la naturaleza bilineal del problema resultante.
Una segunda se basa en el controlador multiobjetivo (robusto) obtenido para el mismo lazo. Notablemente, el
controlador PID tratara de aproximar las caractersticas frecuenciales del controlador robusto, y en este u
ltimo
caso las prestaciones del lazo solo pueden verificarse a posteriori.
En el enfoque frecuencial, como en la mayora de los controladores PID comerciales, se cuenta tambien con un
filtro a la salida del PID, y para mejorar la aproximacion del PID al controlador robusto nuestro dise
no incorpora
el filtro al PID en serie.
Para facilitar la comprension de las ideas que se proponen, se ha escogido aplicar esta metodologa a varios
casos de estudio, en el caso de las ILMI comparandola con los resultados presentados en [Sko03] y en el caso
frecuencial a un esquema de control de presion de una tubera de gas, siendo la variable manipulada el flujo de
gas que se alivia a un mechurrio para lograr el objetivo de control. Para todos los sistemas en estudio se dispone
de un buen modelo, aunque el enfoque ILMI puede igualmente aceptar incertidumbre en la matriz de dinamica
del sistema [GCB03].
En este captulo consideraremos un lazo de control de una entrada y una salida como el que se muestra en la
figura (IV.1).
IV.2.
En general hablamos de controladores PID, porque cada controlador tiene una componente proporcional, una
integral y una derivativa, pero su estructura puede variar. Las expresiones mas comunes son:
PID paralelo. En terminos de la expresion temporal.
1
u(t) = Kp (e(t) +
Ti
donde e(t) es la se
nal de error (ver figura IV.1) y
e(t)dt + Td
de(t)
)
dt
(IV.1)
(IV.2)
Es posible pasar de una forma a la otra, siempre que el polinomio: Ti Td s2 + Ti s + 1, tenga races reales [DM95].
De igual forma, pueden encontrase ligeras variaciones sobre las estructuras antes mencionadas para resolver problemas especficos como saturacion y evitar que cambios en la consigna afecten sensiblemente al controlador,
entre otros [Ast02].
Para el calculo de los parametros del PID mediante LMIs, hemos considerado la forma paralela o ideal (IV.1),
en el entendido de que la mayora de los controladores industriales aceptan esta estructura y que si no fuese el
caso, en general se puede pasar de una forma a la otra.
IV.3.
En esta seccion desarrollaremos una estrategia de calculo de los parametros (K p , Ti , Td ) basada en LMIs,
siguiendo la estrategia propuesta en [CLS98]. Para ello consideremos el sistema:
x(t)
= Ax(t) + Bu(t)
y(t) = Cx(t)
92
(IV.3)
al que vamos a controlar con un PID paralelo como el descrito en (IV.1). Asumiremos que deseamos regular
(mantener la salida en cero), luego e(t) = y(t). Por simplicidad, definiremos:
Kp
, y K d = K p Td .
Ti
Ki =
(IV.4)
R x(t)
(t) =
y(t)dt
y un nuevo vector de salida:
R y(t)
(t) = y(t)dt
CAx(t)
entonces el problema de encontrar un controlador PID del tipo (IV.1) para el sistema (IV.3) es equivalente a
encontrar una realimentacion estatica de la salida para el sistema:
(t)
= A(t) + Bu(t)
(t) = C(t)
u(t) = K(t)
donde:
A=
A
C
0
0
B=
y K = (K1 , K2 , K3 ) donde:
K1
K2
K3
=
=
=
B
0
(IV.5)
C
C= 0
CA
0
I
0
(1 + Kd CB)1 Kp
(1 + Kd CB)1 Ki
(1 + Kd CB)1 Kd
(IV.6)
El sistema (IV.5) es estable si existen una matriz P definida positiva y una ganancia K, tal que:
(A + BKC)P + P (A + BKC)T < 0.
(IV.7)
IV.4.
El algoritmo ILMI
P0 > 0.
(IV.8)
y haga i = 0.
93
(IV.9)
sujeto a:
(A + BKi C)Pi + Pi (A + BKi C)T Pi < 0;
Pi > 0.
(IV.10)
Si 0 habremos encontrado una ganancia Ki que estabiliza al sistema, si no, vaya al paso 2.
Paso 2: Dado Ki y un borde superior que es el valor de obtenido en el paso 1, calcule Pi+1 y un nuevo
optimo (
), partir de:
= mn
(IV.11)
sujeto a:
(A + BKi C)Pi+1 + Pi+1 (A + BKi C)T Pi+1 < 0;
Pi+1 > 0.
(IV.12)
Si
0, entonces Ki es una ganancia estabilizante y si no haga i = i + 1 y vaya al paso 1.
Debemos ahora realizar algunos comentarios a proposito del algoritmo.
Observaci
on IV.1 El algoritmo propuesto est
a basado en el hecho de que la condici
on de Lyapunov, que asegura
la estabilidad para el sistema con realimentaci
on est
atica de la salida (IV.7), es bilineal en las inc
ognitas K y P ,
y por ende, cuando una se fija, lo que resulta es una desigualdad matricial lineal (LMI) en la otra variable y, en
consecuencia, un problema convexo.
Observaci
on IV.2 En el paso 0, lo que hacemos es suministrar al algoritmo un punto de arranque, a partir
de la condici
on de estabilidad con realimentaci
on de los estados, que es una LMI en P y R(= K 1 P ). Si no
existe tal matriz P que asegure estabilidad con realimentaci
on de estados, tampoco existir
a un PID que haga el
trabajo. Observe que en el paso 0 simplemente damos un punto de inicio a partir de una condici
on necesaria, pero
hubieramos podido arrancar desde otro punto, e.g., desde la matriz P asociada a un PID ajustado por Ziegler y
Nichols, que sabemos estabiliza al sistema original.
Observaci
on IV.3 En el paso 1, conocida una matriz Pi , se inicia la b
usqueda de una ganancia Ki que pudiera
estabilizar al sistema. Ella (Ki ) ser
a una ganancia estabilizante, si la soluci
on del problema (convexo) de optimizaci
on que se formula en el paso 1 termina con un valor de 0. Observe que el problema en el paso 1 es
una LMI en las inc
ognitas (Ki , ).
Observaci
on IV.4 En el paso 2, conocida una ganancia Ki , lo que se busca es verificar si ella es, en efecto, una
ganancia estabilizante, lo que se certifica si la condici
on (IV.12) es satisfecha o, lo que es lo mismo, se obtiene
una matriz Pi+1 . Observe igualmente que la condici
on (IV.12) es biconvexa en y P i+1 ; sin embargo, siendo
un escalar y conociendo un lmite superior ( ) es f
acil obtener ese mnimo de porque (siendo escalar) s
olo
tiene una forma de descenso. Luego, en el paso 2 lo que se hace es fijar el en un valor, resolver la LMI para
Pi+1 y si tiene soluci
on se hace m
as peque
no y, si no, se vuelve al paso 1.
Observaci
on IV.5 La satisfacci
on de la condici
on (IV.10) o la (IV.12) no s
olo asegura una ganancia estabilizante sino que adem
as da una medida de calidad del controlador obtenido, ya que su satisfacci
on garantiza que
los polos del sistema a lazo cerrado esten ubicados a la izquierda de /2 [SGC97].
Observaci
on IV.6 En el paso 2, no se requiere calcular el mnimo de ; bastara verificar que con = 0 se
satisface (IV.12), lo que certificara la estabilidad. Se ha incluido el mnimo, s
olo para determinar la bondad
del controlador medido como lo descrito en el comentario anterior (IV.5). De hecho, en algunas circunstancias
y para ubicar un mejor PID y evitar los problemas numericos, no se vuelve al paso 1 con la P i+1 asociada al
mnimo sino m
as bien con una menos extrema.
94
Observaci
on IV.7 La variable escalar asegura que los problemas formulados en los pasos 1 y 2 siempre
tendr
an soluci
on. Ello no asegura, sin embargo, que siempre se encontrar
a un PID estabilizante. El algoritmo
falla en encontrar un PID si ,
0 y |
| , con un valor predeterminado de convergencia.
Observaci
on IV.8 Por u
ltimo, este algoritmo puede igualmente ser aplicado para el c
alculo de controladores
PI de sistemas continuos y discretos, para sistemas multivariables y para sistemas con incertidumbre poliedrica
o acotada en norma en las matrices A y C del sistema original (vease [Pet87] y [BGP89] para la definici
on de la
incertidumbre y [GCB03] para las extensiones referidas).
IV.5.
Comparaci
on de t
ecnicas de entonaci
on
En esta seccion, hacemos una comparacion de la estrategia de entonacion ILMI presentada en la seccion anterior
(seccion (IV.4)) con otras tecnicas ampliamente conocidas.
Hemos escogido dos casos tomados de [Sko03]. Ellos son: uno de fase no mnima y otro con retardo. En [CMR05]
pueden encontrarse comparaciones mas detalladas del enfoque propuesto con otros y en [GCB03] la extension a
sistemas multivariables.
Debemos se
nalar que en el caso de los metodos de IMC y de Ziegler y Nichols, al igual que para la mayora de
los metodos de ajuste de PIDs, aunque se da una funcion de transferencia del sistema para los ejemplos numericos,
la misma es ajustada, sea a una de primer orden mas retardo o a una de segundo orden mas retardo. En el caso
de ajuste con LMIs que hemos propuesto, la u
nica simplificacion realizada es la aproximacion del retardo a una
de Pade de primer orden. Ello porque el metodo se basa en una representacion en variables de estado.
A continuacion presentamos los resultados para cada caso.
Fase no mnima
La funcion de transferencia del sistema es:
G2 (s) =
(1 0, 3s)(1 + 0, 08)
(2s + 1)(s + 1)(0, 4s + 1)(0, 2s + 1)(0, 05s + 1)3
(IV.13)
El ajuste de los parametros por los diferentes metodos se muestra en la tabla (IV.1).
Metodo
LMI1
IMC2
Z & N2
Kp
2,092
1,3
2,56
Ki
0,5543
0,65
0,966
Kd
2,0673
1,56
1,6896
95
LMI
SIMC
Z&N
1.3
1.2
1.1
0.9
0.8
30
35
40
45
50
Metodo
LMI1
IMC2
Z & N2
Fase
68,84
57,95
31,2
Ganancia
2,58
2,89
1,87
G3 (s) =
(IV.14)
El ajuste de los parametros por los diferentes metodos se muestra en la tabla (IV.3).
Metodo
LMI1
IMC2
Kp
3,6898
7,41
Ki
0,7192
7,41
Kd
-2,522
-
96
LMI
SIMCPI
1.25
1.2
1.15
1.1
1.05
0.95
0.9
0.85
0.8
15
20
25
30
35
40
45
Fase
78,47
51,67
Ganancia
1,58
3,05
IV.6.
Enfoque frecuencial
En esta seccion presentamos el enfoque frecuencial al calculo de PIDs, y ello lo haremos con un caso de estudio.
Primero presentamos el modelo del sistema a considerar, en la seccion siguiente se calcula el controlador y el PID
aproximado y finalmente en la u
ltima seccion, para fines de comparacion, el PID calculado se compara con uno
entonado por Ziegler-Nichols [ZN42].
El sistema que consideraremos tiene la siguiente funcion de transferencia:
G(s) =
0,7136 s
e
s+1
(IV.15)
sobre este sistema se desea que no tenga offset a cambios en la entrada tipo escalon (salto) y que sea rapido en su
respuesta (que se medira como un tiempo de respuesta inferior a 10 seg.). Todas las especificaciones impuestas son
muy comunes para lazos de control. Una especificacion adicional fue que el sistema se vea poco afectado (rechace)
por perturbaciones que entran al sistema de la misma forma que el control. Esta u
ltima especificacion, de tipo
robusto, toma en cuenta cambios en la presion del sistema producto de agentes externos, como movimientos en
la demanda, etc.
Para eliminar el offset a priori se incluye un integrador 1s en la trayectoria directa del lazo, de esta manera
se dise
nara un compensador para el sistema (G(s)) que ha incorporado de manera directa el integrador. Una
vez calculado el control robusto, el compensador final sera el control robusto mas el integrador. El problema se
muestra esquematicamente en la figura IV.4.
Todo el dise
no de controladores robustos se realiza en el ambito de los sistemas lineales y en representacion
de variables de estado, por lo tanto, el retardo del sistema es es modelado como un sistema lineal con una
aproximacion de Pade de 1er orden [Kuo95]:
es =
1 0,5s
.
1 + 0, 5s
97
w
r(s)
Control
e -s
-0.7136
1/s
y(s)
s+1
(-)
0
0
3 2
w
u+
x+
x =
1
1
1
0
y = [0,7136 1,4271]
al incluir el integrador el sistema aumentado resulta:
3 2 0
0
0
0 1 xa + 0 u
x a = 1
+ 1 w
0
0 0
1
0
{z
}
|
| {z }
| {z }
Aa
[0,7136
|
Ba
1,4272
{z
Ca
xa =
x
u
0] xa
}
Bp
(IV.16)
con
yu
como en la figura IV.4.
El objetivo de rapidez de respuesta puede traducirse en que todos los polos del sistema compensado esten a
la izquierda de un cierto valor, en este caso se impuso a la izquierda de 1. De igual manera, el objetivo de
atenuacion a las perturbaciones w puede ser descrito como:
kTwz k < 1
esto es, que la norma infinita de la funcion de transferencia entre w y y sea menor que 1. Mas adelante formalizaremos las condiciones que deben cumplirse, pero antes debemos describir el tipo de control que sera utilizado,
a saber:
x c = Ac xc + Bc y
(IV.17)
u
= Cc xc + Dc u.
El sistema a lazo cerrado resulta:
x a
=
x c
y
A a + B a Dc Ca
B c Ca
|
{z
A
xa
.
[Ca 0]
| {z } xc
B a Cc
Ac
xa
xc
Bp
+
w
0
| {z }
(IV.18)
98
AX + XAT + 2 1 X < 0
AX + X T + BB T XC T
<0
CX
I
Condicion de rapidez
Condicion de atenuacion
Evidentemente, las ecuaciones no son lineales en ambos, la matriz de Lyapunov X y los parametros del
compensador IV.17. Con una transformacion de variable apropiada, que describimos en el captulo 2 (ver tambien
[SGC97]), pueden determinarse con operaciones lineales y a traves de variables intermedias A c , Bc , Cc y
Dc . El LMI Tooolbox de Matlab [GNL95] puede de manera estandar calcular esas matrices para el sistema
mencionado funcion hinfmix en vista de que no hay incertidumbre en el sistema.
Al aplicar ese toolbox el resultado obtenido es:
21,4544 0,6575
59,2912
Ac = 26,1471 30,3823 166,9874
95,9493
32,5594
84,0687
11,5249
Bc = 15,41,42 Cc = [0,3007 38,3535 357,8518]
56,3364
Incorporando el integrador al controlador y cambiando el signo del numerador por la tradicion historica de que
la realimentacion sea negativa resulta, en el compensador multiobjetivo:
Gc (s) =
La respuesta ante una entrada escalon de este sistema se muestra en la figura IV.5:
1.4
1.2
0.8
0.6
0.4
0.2
5
Tiempo (s)
10
s+z
s(s + p)
99
20
20
40
60
80
100
1
10
10
10
Frecuencia (rad/s)
10
10
se escogieron z = 1 y p = 100 para la aproximacion. La ganancia Kc del compensador se calculo de tal manera
que el diagrama de magnitud coincida en bajas frecuencias. Ello se logra haciendo K c = 100.
El controlador obtenido resulta:
GP I+F = 100
s+1
s(s + 100)
1.2
0.8
0.6
0.4
0.2
5
Tiempo (s)
10
100
s + 0,3
s
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
10
15
Tiempo (s)
20
25
30
101
102
APENDICE
Factorizacion coprima
A.1.
Factorizaci
on coprima
Este apendice presenta brevemente la factorizacion coprima de funciones de transferencia que permite simplificar la optimizacion de funciones de transferencia caractersticas en funcion de un parametro Q que resulta
ser cualquier funcion de transferencia estable. Esta formulacion es la base de las soluciones originales de los
problemas de control H y `1 , ademas de muchas demostraciones teoricas.
G(z) =
N (z)
D(z)
donde, si N (z) y D(z) se escogen de forma que sean estables, i.e., polos en el crculo unitario del plano z y
no tengan ceros inestables comunes, ceros fuera del crculo unitario, diremos que N (z) y D(z) forman una
factorizacion coprima estable de G(z). Por supuesto esta factorizacion no es u
nica, pero siempre tiene que cumplir
que:
Los u
nicos ceros inestables de N (z) son los que tena G(z).
Los u
nicos ceros inestables de D(z) son los polos inestables de G(z).
Ejemplo
Si G(z) =
3z1
(2z1)(4z1) ,
N (z) =
3z1
(2z1)(4z1)
=G
D(z) = 1.
Por ejemplo, otra factorizacion coprima valida sera:
N (z) =
1
(2z1)(4z1)
D(z) =
1
3z1
o tambien
N (z) =
3z1
(2z1)(4z1)(5z1)
D(z) =
1
5z1 .
Una situacion mas interesante se presenta cuando el sistema es inestable, pues la eleccion mas sencilla (N (z)=G(z),
D(z)=1) deja de ser valida. En este caso basta distribuir los ceros inestables en N (z) y los polos inestables como
ceros de D(z), distribuyendo el resto de ceros y polos entre N (z) y D(z), hasta conseguir que N (z) y D(z) sean
propios (si es necesario a
nadiendo los mismos polos estables extras, tanto a N (z) como a D(z)). Por ejemplo, si:
G(z) =
z+3
z2
N (z) =
z+3
2z1
D(z) =
z2
2z1 .
Identidad de Bezout
Una vez encontrada una factorizacion coprima de la planta a controlar, siempre pueden calcularse dos funciones
de transferencia estables X(z) e Y (z) que, no teniendo ning
un cero inestable com
un, cumplan la siguiente igualdad
(denominada identidad de Bezout):
Por ejemplo, en el caso de una planta estable veamos que se poda escoger N (z) = G(z) y D(z) = 1, por lo
que la eleccion mas sencilla de los parametros de Bezout (X(z),Y (z)) para una planta estable sera:
X(z) = 0
Y (z) = 1.
104
Para sistemas inestables puede ser mas complejo encontrar los parametros de Bezout, pero siempre pueden
z+3
, la ecuacion de Bezout
resolverse solucionando la ecuacion diofantica correspondiente. Por ejemplo, si G = z2
sera:
N (z)X(z) + D(z)Y (z) =
z+3
z2
X+
Y =1
2z 1
2z 1
Podemos escoger X e Y constantes (X = x, Y = y), con lo que basta resolver la ecuacion diofantica:
(z + 3)x + (z 2)y = 2z 1.
Igualando los coeficientes de potencias en z, se comprueba que el sistema de ecuaciones correspondiente tiene
como solucion x = 53 , y = 75 . En este caso, entonces, unos parametros de Bezout posibles seran:
X=
3
5
Y = 75 .
A.2.
Parametrizaci
on de Youla
3z 1
.
(2z 1)(4z 1)
Pues bien, la denominada parametrizacion de Youla proporciona una forma relativamente sencilla de expresar el conjunto de controladores que estabilizan una planta, aunque esta sea inestable, de fase no-mnima y/o
multivariable. Mostramos a continuacion el procedimiento para el caso SISO:
Controladores estabilizantes
Una vez calculadas las funciones de transferencia N , D, X y Y , puede expresarse de forma sencilla la estructura
de cualquier controlador que estabilice la planta. Puede igualmente demostrarse que el conjunto de controladores
lineales que estabilizan la planta viene dado por:
X(z) Q(z)N (z)
Y (z) + Q(z)D(z)
donde Q(z) es cualquier funcion de transferencia estable, que denominaremos parametro de Youla.
K(z) =
105
Ejemplo
Volviendo al ejemplo del sistema inestable de fase no mnima G(z) =
este sistema puede expresarse como:
K(z) =
3
5
7
5
z+3
z2 ,
z+3
Q(z) 2z1
z2
Q(z) 2z1
Basta entonces cambiar Q(z) (que solo tiene que ser una funcion de transferencia estable) y tendremos cualquier
controlador lineal que estabilice el sistema. Por ejemplo si Q(z) = 0, el controlador K(z) = 37 estabiliza el sistema.
1
1+K(z)G(z)
K(z)
1+K(z)G(z)
K(z)G(z)
1+K(z)G(z)
= Y (z)D(z) + N (z)D(z)Q(z).
Este resultado es muy importante, porque nos permite replantear el problema de dise
nar un controlador K(z)
que optimize una determinada funcion de transferencia caracterstica como un problema de optimizacion convexa
en el parametro Q(z), con lo que se simplifica el problema de optimizacion.
Ejemplo
Retomando el ejemplo de la seccion anterior, la sensibilidad de cualquier controlador que estabilice la planta
sera:
106
3 z2
z+3 z2
Q(z)
.
5 2z 1
2z 1 2z 1
Bibliografa
[AA90]
A. Abdul-Amir y A. Abdul-Wahab, Lyapunov Bounds for Root Clustering in the Presence of System
Uncertainty, International Journal of Systems Science, Vol. 21(12), pp. 2.6032.611, 1990.
[AK01]
S. Ahmed y M. Krumpelt, Hydrogen from hydrocarbon fuels for fuel cells, International Journal of
Hydrogen Energy, Vo. 26, pp 291-301, 2001.
[AM89]
B.D.O. Anderson y J.B. Moore, Optimal Control: Linear Quadratic Methods, Prentice-Hall International Editions, 1989.
[Ast02]
K. J. Astrom, Control System Design. Lecture Notes, Dpt. Mech. and Envirom. Eng., U. of California. (2002) http://www.cds.caltech.edu/ murray/courses/cds101/fa02/caltech/astrom.html.
[AH95]
K. Astrom y T. Hagglung, PID controllers: theory, design and tunning, 2da Edicion ISA, 1995.
[BA95]
A. Banerjee y Y. Arkun, H control of nonlinear processes using multiple linear models, Proceedings
of European Control Conference, Roma, 1995.
[Bar83]
B.R. Barmish, Stabilization of Uncertain Systems via Linear Control, IEEE Transactions on Automatic Control, Vol. 28(8), pp. 848850, 1983.
[Bar85]
B.R. Barmish, Necessary and Sufficient Conditions for the Quadratic Stability of an Uncertain System, Journal of Optimization Theory and Application, Vol. 46(4), pp. 399408, 1985.
[Bar94]
B.R. Barmish, New Tools for Robustness of Linear Systems, Maxwell Macmillan International, 1994.
[BB88]
A. Benzaouia y C. Burgat, Regulator problem for linear discrete-time systems with non symmetrical
constrained control, International Journal of Control, Vol. 48(6), pp. 2.4412.451, 1988.
[BGP89]
J. Bernussou, J.C. Geromel y P.L.D. Peres, A Linear Programming Oriented Procedure for Quadratic
Stabilization of Uncertain Systems, Systems and Control Letters, Vol. 13, pp. 6572, 1989.
[Boy94]
S. Boyd, L. El Ghaoui, E. Feron y V. Balakrishnan, Linear Matrix Inequalities in Systems and Control
Theory, SIAM Studies in Applied Mathematics, Vol. 15, 1994.
[CLS98]
Y.-Y. Cao, J. Lam, y Y.-X. Sun, Static Output Feedback Stabilization: An ILMI Approach, Automatica, Vol. 34, pp. 1.6411.645, 1998.
[CP72]
S.S.L. Chang y T.K.C. Peng, Adaptive Guaranteed Cost Control of Systems with Uncertain Parameters, IEEE Transactions on Automatic Control, Vol. AC-17(4), pp. 474483, 1972.
107
[ChG96]
M. Chilali y P. Gahinet, H Design with pole placement constraints: an LMI approach, IEEE
Transactions on Automatic Control Vol. 41(3), pp. 358367, 1996.
[ChS92]
R. Chiang y M. Safonov, Robust Control Toolbox for Use with MATLAB: Users Guide, The Math
Works Inc., 1992.
[CGP97]
[CGP96]
W. Colmenares, E. Granado, O. Perez y K. Garrido, Synthesis and Robustness Evaluation Of Dynamic Controllers for Uncertain Systems, Proceedings of III IEEE International Conference on Electronics, Circuits and Systems, Rodas, Grecia, octubre 1996.
W. Colmenares y D. Henrion, Necessary Conditions and Sufficient Conditions for the Quadratic
Stabilization by Dynamic Feedback of a Class of Uncertain Systems, Proceedings of Latin American
Seminar on Advanced Control, Santiago, 1995.
[CMR05] W. Colmenares, E. Mata, S. Revollar, E. Granado y O. Perez, Entonacion de controladores industriales tipo PID, Revista Ciencia e Ingenieria, ULA, 2005.
[CP99]
W. Colmenares y O. Perez, H2 Guaranteed Cost Output Feedback Control of Uncertain Discrete Linear Systems, Proceedings of International Conference on Dynamics and Control of Systems,
Ottawa, agosto 1999.
[CPH96]
[CPM94] W. Colmenares, O. Perez y E. Margaglio, On the Local Stabilizability of Uncertain Linear Systems,
Proceedings of 6th Latin American Control Conference, Rio de Janeiro, Brasil, pp. 337339, septiembre
1994.
[CTG00]
[Cor96]
A. Corripio, Tunning of industrial control systems, 2da edicion, ILM ISA, 1990.
[DB01]
J. Daafouz y J. Bernussou, Parameter dependent Lyapunov functions for discrete time systems with
time varying parametric uncertainties, Systems and Control Letters, Vol. 43, pp. 355359, 2001.
[DD87]
[DD88]
M. A. Dahleh y M. Dahleh, Optimal rejection of persistent disturbances, robust stability and mixed
sensitivity minimization, IEEE Transactions on Automatic Control, Vol. 33, pp. 722731, 1988.
[DD95]
108
[DP87]
[DV75]
[DM95]
S. Dormido y F. Morilla, Autosintonia y metodos de antiwindup en los Reguladores PID, Apuntes del
XV Curso de Automatica en la Industria, AEIA, 1995.
[DFT92]
J. Doyle, B. Francis y A. Tannenbaum, Feedback control theory, Maxwell Macmillan Int., 1992.
[DGK89] J. Doyle, K. Glover, P. Khargonekar y B. Francis, State Space Solutions to Standard H 2 and H
Control Problems, IEEE Transactions on Automatic Control, Vol. 34, pp. 831847, 1989.
[DS81]
J. Doyle y G. Stein, Multivariable feedback design: concepts for a classical/modern synthesis, IEEE
Transactions on Automatic Control, Vol. 26, No. 1, pp. 416, 1981.
[ED98]
N. Elia y M.A. Dahleh, Computational Methods for Controller Design, Lecture Notes in Control
and Information Sciences 238, Springer Verlag, London, 1998.
[EP98]
S. Esfahani and I. Petersen Optimal Output Feedback Guaranteed Cost Control of Uncertain Linear
Systems, Control and Decision Conference CDC 98, 1998.
[GA94]
[GNL95]
P. Gahinet, A. Nemirovski, A. Luab y M. Chillali, LMI control toolbox, The MathWorks Inc., 1995.
[GB86]
A. Galimidi y B. Barmish, The Constrained Lyapunov Problem and its Application to Robust Output
Feedback Stabilization, IEEE Transactions on Automatic Control, Vol. 31(5), pp. 410419, 1986.
[GAB92]
[GB91]
G. Garcia y J. Bernussou, Stabilite et Detectabilite Quadratique: Lien avec lApproche LQG, Comptes Rendus de lAcademie des Sciences de Paris, t. 312, serie I, pp. 193198, 1991.
[GB95]
G. Garcia y J. Bernussou, Pole Assignment for Uncertain Systems in a Specified Disk by State
Feedback, IEEE Transactions on Automatic Control, Vol. 40(1), 1995.
[GBA93]
G. Garcia, J. Bernussou y D. Arzelier, Robust Stabilization of Discrete Time Linear Systems with
Norm Bounded Time Varying Uncertainty, Systems and Control Letters, 1993.
[GBA95]
G. Garcia, J. Bernussou y D. Arzelier, A LMI Solution for Disk Pole Location with H 2 Guaranteed
Cost, Proceedings of European Control Conference, Rome, 1995.
[GB96]
[Gar93]
U. Garcia Palomares, Parallel Projected Agregation Methods for Solving Convex Feasibility Problems, SIAM Journal of Optimization, Vol. 3, No. 4, pp. 882900, 1993.
[GCG97] K. Garrido, W. Colmenares, E. Granado y O. Perez, H output feedback control for Uncertain Systems, Proceedings of IEEE International Symposium on Industrial Electronics (ISIE97), Guimaraes,
Portugal, julio 1997.
[GGB94] J.C. Geromel, G. Garcia y J. Bernussou, H2 Robust Control with Pole Placement, Proceedings of
the 12th IFAC World Congress, Sidney, Australia, 1994.
[GPB91]
J.C. Geromel, P.L.D. Peres y J. Bernussou, On a Convex Parameter Space Method for Linear Control
Design of Uncertain Systems, SIAM Journal of Control and Optimization, Vol. 29(2), 1991.
109
[GPS92]
J.C. Geromel, P.L.D. Peres y S.R. Souza, H2 Guaranteed Cost Control for Uncertain Continous-Time
Linear Systems, Systems and Control Letters, Vol. 19, pp. 2327, 1992.
[GSK94]
J.C. Geromel, C.C. de Souza y R.E. Skelton, LMI Numerical Solution for Output Feedback Stabilization, Proceedings of the American Control Conference, Baltimore, 1994.
[GCS01]
[GCB03]
[GL95]
[GJ81]
S. Gutman y E. Jury, A General Theory for Matrix Root-Clustering in Subregions of the Complex
Plane, IEEE Transactions on Automatic Control, Vol. 26, pp. 853863, 1981.
[HB92]
W. Haddad y D. Bernstein, Controller Design with Regional Pole Constraints, IEEE Transactions
on Automatic Control, Vol. 37(1), 1992.
[HL93]
H.S. Han y J.G. Lee, Stability Analysis of Interval Matrices by Lyapunov Function Approach Including ARE, Control Theory and Advanced Technology, Vol. 9, pp. 745757, 1993.
[HTK01]
[HHC95]
W.K. Ho, C.C. Hang, L.S. Cao, Tuning of PID controllers based on gain and phase margin specification, Automatica, Vol. 31(3), pp. 497502, 1995.
[Hof81]
K. Hoffman, A Method for Globally Minimizing Concave Functions over Convex Sets, Mathematical
Programming, Vol. 20, pp. 2232, 1981.
[HF93]
J. Huei y K. Fong, Robust Stability Analysis of Linear Continuous/Discrete Time Systems with
Output Feedback Controllers, IEEE Transactions on Automatic Control, Vol. 38, pp. 1.1541.158,
1993.
[IS94]
T. Iwasaki y R. E. Skelton, All Controllers for General Control Problems: LMI Existence and Conditions and State Space Formulas, Automatica, Vol. 30, pp. 1.3071.317, 1994.
[IS95]
T. Iwasaki y R.E. Skelton, The XY-centring Algorithm for the Dual LMI Problem: A New Approach
to Fixed-order Control Design, International Journal of Control, Vol. 62(6), pp. 1.2571.272, 1995.
[JS93]
[Jua91]
Y. Juang, Robust Stability and Robust Pole Assignment of Linear Systems with Structured Uncertainty, IEEE Transactions on Automatic Control, Vol. 36(5), 1991.
[KPZ90]
[Kuo95]
[MK00]
P. O. Malaterre, M. Khammash. `1 controller design for a high-order 5-pool irrigation canal system,
Proceedings of the Conference on Decision and Control CDC 2000, Sydney, Australia, 2000.
[McF90]
D. McFarlane y K. Glover, Robust controller design using normalized coprime factor descriptions,
Springer Verlag, 1990.
[ME89]
M. A. Mendlovitz, A Simple Solution to the `1 Optimization Problem, Systems and Control Letters,
Vol. 12, 1989.
110
[MTB04] F. Mesquine, F. Tadeo, A. Benzaouia. Regulator problem for linear systems with constraints on
control and its increment or rate , Automatica, Vol. 40(8), pp. 1.3781.395, 2004.
[MZ89]
[NBT03]
[OC97]
[ORe83]
[PL03]
P. A. Parrilo y S. Lall, Semidefinite Programming Relaxations and Algebraic Optimization in Control, European Journal of Control, Vol. 9, pp. 307321, 2003.
[Per89]
P.L.D. Peres, Sur la Robustesse des Syst`emes Lineaires: Approche par Programmation Lineaire, Th`ese
de doctorat, Universite Paul Sabatier - LAAS du CNRS, Toulouse, France, 1989.
[PSG92]
P.L.D. Peres, S.R. Souza y J.C. Geromel, Optimal H2 Control for Uncertain Systems, Proceedings
of American Control Conference - ACC 92, 1992.
[PCG97]
[Pet87]
I.R. Petersen, A Stabilization Algorithm for a Class of Uncertain Linear Systems, Systems and
Control Letters, Vol. 8, pp. 351357, 1987.
[PH86]
I.R. Petersen y C. Hollot, A Riccati Equation Approach to the Stabilization of Uncertain Linear
Systems, Automatica, Vol. 22, No.4, pp. 397-411, 1986.
[PH96]
C. Phillips y R. Harbor, Feedback Control Systems, 3ra Edicion, Prentice Hall Int., 1996.
[Qui04]
M. V. Quintero G., Control multivariable de una planta piloto con tecnologias FieldBus y tecnicas
predictivas, proyecto de grado USB, ingenieria electronica, 2004.
[RMS86]
D.E. Rivera, M. Morari, S. Skogestad, Internal model control. 4. PID controller design, Ind. Eng.
Chem. Res. 25 (1) pp. 252265, 1986.
[Rot93]
M.A. Rotea, M. Corless, D. Da y I.R. Petersen, Systems with Structured Uncertainty: Relations
between Quadratic and Robust Stability, IEEE Transactions on Automatic Control, Vol. 38(5), pp.
799803, 1993.
[SMN90]
[San89]
R. Sanchez Pe
na, Introduccion a la teoria de control robusto, Asociacion Argentina de Control Automatico (AADECA), 1989.
[SS98]
R.S. Sanchez-Pe
na, M. Sznaier Robust Systems Theory and Applications, Wiley Interscience, New
York, 1998.
[SGC97]
[Sh01]
U. Shaked Improved LMI representations for the analysis and design of continuous-time systems with
polytopic uncertainty, IEEE Transactions on Automatic Control, Vol. 46(4), pp. 652656, 2001.
[SS01]
U. Shaked y V. Suplin A new bounded real lemma representation for the continuous time case,
IEEE Transactions on Automatic Control, Vol. 46(9), pp. 1.420-1.426, 2001.
[Sh96]
111
[Sko03]
S. Skogestad, Simple analytic rules for model reduction and PID controller tuning, Journal of Process
Control, Vol. 13, pp. 291309, 2003.
[SK96]
S. Skogestad, I. Postlethwaite, Multivariable Feedback Control, Analysis and Design, John Wiley &
Sons, 1996
[Soh94]
C.B. Soh, Robust Stability of Dynamic Interval Systems, Control Theory and Advanced Technology,
Vol. 10, pp. 7380, 1994.
[ST93]
O.J. Staffans On the Four-Block Model Matching Problem in `1 and Infinite-Dimensional Linear
Programming SIAM J. Control and Optimization, Vol. 38, pp. 747779, 1993.
[Str82]
G. Strang, Algebra lineal y sus aplicaciones, Fondo Educativo Interamericano, S.A. de C.V. 2da.
edicion, 1982.
[TG96]
F. Tadeo y M. J. Grimble, Design of `1 Optimal Controllers for a Hydrogen Reformer Plant, Internal
Report Industrial Control Centre, University of Strathclyde, 1996.
[TG02]
F. Tadeo y M. J. Grimble. Advanced Control of a Hydrogen Reformer, IEE Computing and Control
Engineering Journal, Vol. 13, pp. 305314, 2002.
[TG03]
F. Tadeo y M. J. Grimble. Controller design using linear programming for systems with constraints.
Part 1: Tutorial Introduction; Part 2: Controller Design; Part 3: Design Examples, IEE Computing
and Control Engineering Journal, Vol. 12, pp. 273276, (2002), Vol. 13, pp. 4952, 8993, 2003.
[TG00]
[THV88]
[TVP95]
[VI85]
M. Vidyasagar Control system Synthesis: a Factorization Approach, MIT Press, Cambridge, Mass.,
1985.
[VI86]
M. Vidyasagar, Optimal Rejection of Persistent Bounded Disturbances IEEE Transactions on Automatic Control, Vol. 31, 1986.
[WV00]
P.J. de Wild y M.J.F.M. Verhaak, Catalytic production of hydrogen from methanol, Catalysis
Today, Vol. 60, pp 3-10, 2000.
[Win94]
W. Winston, Operation Research: Applications & Algorithms, Duxbury Press, 3ra Edicion, 1994.
[XFS92]
[Yed86]
R.K. Yedavalli, Stability Analysis of Interval Matrices: Another Sufficient Condition, International
Journal of Control, Vol. 43, pp. 767772, 1986.
[YL86]
R.K. Yedavalli y Z. Liang, Reduced Conservatism in Stability Robustness Bounds by State Transformation , IEEE Transactions on Automatic Control, Vol. 31, pp. 863866, 1986.
[YJB76]
D .C. Youla, H. A. Jabr, J. J. Bongiorno. Modern Wiener-Hopf design of optimal controllers. Part
2: The multivariable case IEEE Transactions on Automatic Control, Vol. 21, pp. 319338, 1976.
[Zam81]
G. Zames, Feedback and Optimal Sensitivity: Model Reference Transformations, Multiplicative Seminorms and Approximate Inverses, IEEE Transactions on Automatic Control, Vol. 26, pp. 301320,
1981.
112
[ZN42]
J. Ziegler y N. Nichols, Optimum Settings for Automatic Controllers, ASME Transactions, Vol. 64,
pp. 759768, 1942.
[ZK88]
113